Bereiche | Tage | Auswahl | Suche | Downloads | Hilfe

T: Teilchenphysik

T 507: Spurkammern 4

T 507.1: Vortrag

Mittwoch, 28. März 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.