Open Access

Assoziativspeicher (AM) stellen eine besondere Form (künstlicher) Neuronaler Netze (KNN) mit einer Schicht dar. Sie eignen sich zur Anwendung bei Aufgaben wie Mustererkennung, -extraktion und -ergänzung, wobei Lernpaare von spärlich besetzten Binärvektoren, welche Ansammlungen von Merkmalen darstellen, verwendet werden. Die aus "Lernmatrizen" nach Steinbuch weiterentwickelten Matrizen haben nicht-lineares Verhalten ohne negative Gewichte, sind binär - und daher einfach zu konstruieren - und somit einfacher mit Texten (technisch: Zeichenfolgen) in Verbindung zu bringen. Während bekannt ist, dass die erreichbare Speichereffizienz als gut angesehen werden kann, ist dagegen die Wahrscheinlichkeit des korrekten Wiederfindens aller eingespeicherten Assoziationsmuster gering. Entsprechend wurde das Problem, beliebige Textdaten direkt in Assoziativspeichern aufzuheben, lange nicht angegangen. In der "Assoziativmaschine"[1] wurden bereits in Matrizen gespeicherte Programme, Zustandsvariablen und Weltwissen in einer Kombination solcher Speicher derart verschaltet, dass eine algorithmische Steuerung realisiert werden konnte. Eine besondere Rolle spielen hier "Sequenzen", welche als Folgen einen geordneten Zugriff auf Daten ermöglichen. Wir überprüfen jetzt unterschiedliche Ansätze und Aspekte dieser Aufgabe, Texte mit assoziativen Strukturen zu verarbeiten und zu speichern. Zur Durchführung und Veranschaulichung wurden spezielle Programme erstellt. Letztlich ergibt sich die Möglichkeit, grössere Mengen von Text vollständig assoziativ zu speichern und fehlerlos wieder auszulesen, was am Beispiel des gesamten Textes von Alice's Abenteuer Im Wunderland (160kB) demonstriert wird. Das dargestellte Verfahren funktioniert auch dann, wenn der Originaltext Wiederholungen enthält. Unter anderem lässt sich als einzige Version einer Zeichenfolge eine schnell durchsuchbare Kodierung aufbewahren. Schliesslich wird ein weiteres Verfahren gezeigt, welches lange Sequenzen in kleinen Matrizen nutzt. Hier können einfache Abfolgen in kompakter Weise abgelegt werden, zum Beispiel zur assoziativen Implementierung von Microcodeartigem Verhalten. Mögliche Anwendungen finden sich bei Betrieb und Steuerung der Assoziativmaschine. Weiterhin können Vorzüge dieser Technik - wie die Robustheit des Speichers - im Bereich der Langzeitdatenspeicherung/Archivierung genutzt werden. [1]beschrieben in [Dierks 05] aus unserer Arbeitsgruppe

In der vorliegenden Arbeit wurde ein rotationsinvariantes Texturmodell für eine Unterscheidung struktureller Merkmale in Bildmustern für die überwachte Bildmustererkennung systematisch entwickelt und evaluiert. Es wurde gezeigt, dass die Komponenten: Merkmale, Merkmalsselektionsmethoden und Klassifikator eines Mustererkennungssystems so gewählt werden können, dass dies möglichst "effizient" ist, d.h. quantitative Forderungen nach Richtigklassifikationsraten mit einer möglichst geringen Anzahl an Merkmalen erfüllt werden. Zweidimensionale Ultraschallbilder bilden charakteristische Texturen aus, die von der Bildgebung selbst und dem betrachteten Gewebe abhängen. Als Textur wird die Zusammensetzung einer Region aus Texturprimitiven, sogenannten Texeln, und deren Anordnungsregeln bezeichnet. Merkmale von Texturen werden im Allgemeinen über Modelle, sogenannte Texturmodelle beschrieben. Konventionelle Texturmerkmale nach Haralick und Laws wurden den Merkmalen des entwickelten rotationsinvarianten Texturmodells in einer Untersuchung zur "Erkennung von Knochenkonturpixeln in zweidimensionalen Ultraschallbildern" gegenübergestellt. Bei dieser Untersuchung wurden Merkmale nach Haralick, Laws und des rotationsinvarianten Texturmodells abwechselnd mit einer sequenziellen und einer rangordnungsbasierten Merkmalsselektion sowie einem Bayes- und einem Support-Vector-Klassifikator kombiniert. Anhand von Bildmustern, die an einem humananatomischen Präparat aufgezeichnet und von einem Experten klassifiziert wurden, ließ sich die Effizienz der ausgewählten Komponenten überprüfen. Gefordert wurde, mindestens eine Richtigklassifikationsrate von 97% für die Muster der Klasse Gewebe (Spezifität ≥ 0,97) und von mindestens 50% für Muster der Klasse Knochen (Sensitivität > 0,50) zu erreichen. Die Ergebnisse bei der Erkennung von Knochenkonturpixeln in Ultraschallbildern haben gezeigt, dass die Klassifikation mit Merkmalen des entwickelten rotationsinvarianten Texturmodells, gegenüber den Methoden nach Haralick und Laws, insgesamt erfolgreicher ist. Die Extraktion von Merkmalen des rotationsinvarianten Texturmodells ist sogar entscheidend für die Erreichbarkeit der Forderungen. Erst durch Merkmale des entwickelten rotationsinvarianten Texturmodells werden die geforderten Klassifikationsraten erreicht (Spezifität = 0,971, Sensitivität = 0,520). Zudem wird nur eine geringe Anzahl von Merkmalen benötigt. Durch Hinzunahme weiterer Merkmale kann eine Klassifikationsrate über die Forderungen hinaus erfolgen (Spezifität = 0,971, Sensitivität = 0,633). Durch das Erfüllen der Forderungen konnte die Effektivität der Methode zur Erkennung von Knochenkonturpixeln gezeigt werden. Die geringe Anzahl an Merkmalen zeigt zudem die enorme Effizienz der vorgestellten Methode, was in der praktischen Anwendung zu einem reduzierten Rechenaufwand und somit zu einer verkürzten Rechenzeit bei der Klassifikation von Bildmustern führt.

Die Suchfunktionen des SENTRAX-Verfahrens werden für die Klassifizierung von Mails und im Besonderen für die Detektion von SPAM eingesetzt. Die Eigenschaften einer kontextähnlichen Suche und die Fehlertoleranz sollen genutzt werden, um SPAM Nachrichten treffsicher aufzuspüren.