Mustererkennung befasst sich mit mathematisch-technischen Aspekten der Wahrnehmung oder
(A)perzeption, wie wir sie sonst von natürlichen Vorbildern kennen. Prominente Anwendungsfelder sind das
Erkennen von Schrift, das Verstehen gesprochener Sprache und die Interpretation von Bildern. In
verschiedenen Bereichen wie der Ökologie, der Biologie und der Robotik werden Mustererkennungsverfahren
zunehmend zur Analyse von Messdaten eingesetzt.
In der Vorlesung wird die Klassifikation von Mustern
detailliert untersucht. Klassifikation bedeutet dabei, dass ein Muster - Sensordaten physikalischer Größen
eines Ausschnittes der Umwelt - als Gesamtheit einem Begriff, d. h. einer Klasse, zugewiesen wird. Nach der
Klärung von Begriffen und Einführung in Anwendungen wird kurz auf die Vorverarbeitung von Mustern und
die Gewinnung von geeigneten Merkmalen solcher Muster eingegangen. Dann werden verschiedene Klassen
von Klassifikatoren behandelt: wahrscheinlichkeitstheoretische Ansätze (Bayes-Klassifikator, Bayes-Netze,
Markov-Random-Fields, Hidden Markov Models), der Polynomklassifikator, die support vector machine sowie das Multilayer-Perzeptron
als Methode aus dem Bereich der künstlichen neuronalen Netze.