Bonn 2001 – scientific programme
Parts | Days | Selection | Search | Downloads | Help
T: Teilchenphysik
T 507: Spurkammern 4
T 507.1: Talk
Wednesday, March 28, 2001, 16:15–16:30, HS XI
Optimale Rekonstruktion durch neuronale Bayes’sche Vorhersage bedingter Wahrscheinlichkeitsdichten — •Michael Feindt — IEKP, Universität Karlsruhe
Eine neuartige neuronale Netzwerkarchitektur mit (Prä- und) Postprozessing wird vorgestellt, die eine nicht-parametrische bedingte Wahrscheinlichkeitsdichte f(t|x→) einer skalaren Variablen t bei gegebener multidimensionaler Messung x→ vorhersagen kann. Diese kann direkt in Maximum-Likelihood-Fits eingesetzt werden, aber auch Mittelwert, Standardabweichung, Median, und nicht-Gauss’sche Auflösungseffekte können leicht abgelesen werden. Der Bayes’sche Algorithmus wird mit Monte-Carlo-Daten trainiert und entspricht einer regularisierten Ereignis-für-Ereignis- Entfaltung. Einige physikalische Beispiele zeigen die optimalen statistischen Eigenschaften bei schwierigen Rekonstruktionsproblemen sowie die automatische Fehlerfortpflanzung.