ARISE - An Agent-based Readjustable Intelligent Search Engine

Daniel Kirsch
Diplomarbeit - 64 Seiten
Studiengebiet: Verteilte Künstliche Intelligenz
Sprache: Englisch
Oktober 2001

Information Retrieval ist ein Begriff, der in unserer Informationsgesellschaft zunehmend an Bedeutung gewinnt. Die Verwendung von Methoden des Data Minings für Textanalysen, die über bloßes Text Matching hinaus gehen, kann dazu beitragen, die enorme Informationsflut, der jedermann heutzutage ausgesetzt ist, zu ordnen.
Eine solche Methode, die die Latent Semantic Analysis (LSA) mit einer Self-Organizing Map (SOM) kombiniert, wird in dieser Diplomarbeit angewendet. Dabei werden semantische Ähnlichkeiten zwischen Dokumenten in Form einer Karte visualisiert.
Diese Diplomarbeit beschreibt die Implementierung eines Multi-Agenten-Systems auf der Basis der Agenten-Plattform JIAC IV, welches die Infrastruktur für ein solches visuelles Information-Retrieval-System bereitstellt. Dabei werden die besonderen Vorzüge von Multi-Agenten-Systemen ausgenutzt, ihrer Fähigkeiten zur selbständigen Kooperation und die Möglichkeit, zeitaufwändige und speicherintensive Probleme leicht zu verteilen. Im Mittelpunkt der prototypischen Realisierung ARISE (Agent-based Readjustable Intelligent Search Engine) steht zum einen die Skalierbarkeit des Systems, die durch ein verteiltes System gut gewährleistet werden kann. Zum anderen spielt die Wiederverwendbarkeit eine große Rolle, zu diesem Zweck wurden viele Teile des Systems so gestaltet, daß sie in anderen Anwendungen Eingang finden können.

Dateiname	Format	Größe	Bemerkungen
Thesis01.zip	Postscript/ZIP	1333 kB	mit ZIP gepackt
Thesis01.pdf	Adobe PDF	1484 kB	keine

Aktives Lernen

Daniel Kirsch
Seminarausarbeitung - 12 Seiten
Studiengebiet: Künstliche Intelligenz
Sprache: Deutsch
September 2000

"Aktives Lernen" ist eine relativ neue Disziplin im Bereich des Maschinellen Lernens. Dabei geht es um die gezielte Generierung oder Auswahl von Daten für das Maschinelle Lernen. Die Daten werden also nicht mehr von einer unabhängigen Quelle geliefert, sondern entweder gezielt für den Lernalgorithmus ausgewählt oder sogar komplett künstlich generiert. Die Ziele können sehr unterschiedlich sein. Zum einen ist es möglich, durch die gezielte Datenauswahl oder -generierung die Fehlerraten eines Klassifikators zu verbessern. Ein anderes Ziel kann zum Beispiel darin bestehen, die interne Struktur eines Klassifikators zu verbessern (zum Beispiel eine einfachere Entscheidungsbaum-Struktur oder eine andere Gewichtung der Blätter eines Baumes). Die Arbeit ist eine Seminarausarbeitung zum Seminar "Mustererkennung und Klassifikation".

Dateiname	Format	Größe	Bemerkungen
ML_Seminar00.zip	Postscript/ZIP	206 kB	mit ZIP gepackt
ML_Seminar00.pdf	Adobe PDF	221 kB	keine

Berücksichtigung präferierter Gebiete bei der Depiktion räumlicher Relationen

Daniel Kirsch, Tim Bärmann, Richard Cissee, Tobias Rapoport
Projektbericht - 25 Seiten
Studiengebiet: Künstliche Intelligenz
Sprache: Deutsch
August 2000

Das Ziel dieser Arbeit besteht darin, mit einem Programm eine vorgegebene Szenerie aus Objekten und Relationen, die zwischen diesen bestehen, in eine bildliche Darstellung umzusetzen. Diese soll einer von einem Menschen mit den gleichen Vorgaben erstellten Darstellung möglichst nahekommen. Es soll also die Semantik räumlicher Relationen wie "rechts" oder "vorne" durch das Programm erfaßt und auf die gegebene Szenerie angewendet werden. Dabei geht es vor allem darum, schöne Darstellungen zu finden, wobei sich "schön" auf das subjektive, menschliche Empfinden bezieht.
Das Ziel dieser Arbeit besteht darin, zu einer textuellen Raumbeschreibung durch einen Rechner eine bildliche Darstellung zu finden, wie sie ein Mensch in gleicher oder ähnlicher Weise gezeichnet hätte. Das heißt, die Semantik räumlicher Relationen wie links, rechts, vorne und hinten soll von einem Computer erfaßt und auf die gegebene Szenerie angewendet werden. Dabei geht es vor allem darum, schöne Darstellungen zu finden, wobei sich "schön" auf das subjektive, menschliche Empfinden bezieht. Sieht man einmal von unterschiedlichen Auffassungen von Relationen wie "rechts" sowie von den vielen Einflüssen auf unser "rechts"-Empfinden ab, so gelangt man zu einer mathematischen Beschreibung der räumlichen Beziehungen. Die daraus resultierenden Constraints sind nichtlinear und mit algebraischen Methoden nicht vollständig lösbar. Das Problem wird mit einem Verfahren des maschinellen Lernens, dem Entscheidungsbaumalgorithmus CAL5, gelöst. Dabei werden verschiedene Möglichkeiten untersucht, sowohl während des Lernens der räumlichen Relationen als auch bei der Generierung der bildlichen Darstellungen bestimmte Gebiete zu präferieren. Das Anwendungsgebiet eines solchen Systems sind Probleme, bei denen nichtlineare Constraints hinsichtlich ihrer Erfüllbarkeit überprüft werden müssen. Beispiele hierfür sind Aufgaben der Mensch-Maschine-Kommunikation wie Bildschirmsprachen oder Roboterkinematik. Das Projekt ist Teil des DFG-Projektes SPACE.

Dateiname	Format	Größe	Bemerkungen
ML_Projekt00.zip	Postscript/ZIP	156 kB	mit ZIP gepackt
ML_Projekt00.pdf	Adobe PDF	301 kB	keine

FraSiMO - Framework for Simulation of Mobility with OMNeT++

Daniel Kirsch, Heiko Scheunemann
Projektbericht - 12 Seiten (Englisch)
Studiengebiet: Telekommunikationsnetze
Sprache: Englisch
April 2001

Im Rahmen des Projektes entstand ein Framework für die Erstellung von Mobilitätssimulationen, wobei sowohl der Aspekt der Nomadizität als auch der Wireless Communication berücksichtigt wurden. Als Beispiel wurde ein einfaches Routing-Verfahren, das Dynamic Source Routing (DSR) Protokoll, implementiert.
Für weitere Informationen zum Projekt empfiehlt sich ein Blick auf unsere Projektseite.

Dateiname	Format	Größe	Bemerkungen
TKN_Projekt01.zip	Postscript/ZIP	98 kB	mit ZIP gepackt
TKN_Projekt01.pdf	Adobe PDF	122 kB	keine
FraSiMO.zip	ZIP	496 kB	Alle Sourcen von FraSiMO (C++) mit ZIP gepackt