Das Projekt befasst sich mit Störgeräuschen in Solardaten.
Deep Learning, Machine Learning, Data Science, Solardaten, IRIS, Flares, Spektrum, Denoising, Störgeräusche, VAE, DVAE, Fourier Transformation, Wavelet Transformation, Spikeerkennung, Spikes, Python
Das Projektteam soll Deep Learning Ansätze und konventionelle Methoden finden, diese miteinander vergleichen, und festzustellen, wie gut ein (Denoising) Variational Autoencoder für die spezifische Aufgabe, Spikes zu erkennen, geeignet ist. Dabei sollen geeignete Metriken gewählt werden um die teilweise sehr unterschiedlichen Ansätze miteinander vergleichen zu können. Gelingt es dem Team, Spikes in einem IRIS-Spektrum zu erkennen, gilt es zu versuchen, ob die Spikes gezielt lokalisiert und entfernt werden können.
Es gibt viele verschiedene Methoden im produktiven Einsatz, aber keine von ihnen ist derzeit gut genug, um Spikes zuverlässig zu erkennen oder zu entfernen. Dieses Projekt versucht, die Vorteile allgemeiner Methoden zu nutzen, die nicht speziell auf IRIS-Spektren zugeschnitten sind.
Die getesteten Deep Learning Methoden erwiesen sich sowohl bei der Klassifizierung, Lokalisierung als auch Entfernung von Spikes als besser als die zum Vergleich verwendete Basismethoden. Der vielversprechendste Ansatz besteht darin, die Ausgabe einer Deep-Learning Methode (DVAE) weiter zu verarbeiten, um die Genauigkeit der Ergebnisse zu verbessern. Der getestete DVAE übertrifft sein VAE Pendant wenn es um die gestellten Aufgaben geht.
Informatik Projekt 6, Bachelor Thesis
Projektdauer: Februar 2022 - August 2022
Aufwand in Personenstunden: 720 Stunden, 360 Stunden pro Person.
Teamgrösse: 2 Personen
Institut für Data Science
Fachhochschule Nordwestschweiz FHNW
Hochschule für Technik, Bahnhofstrasse 6, 5210 Windisch
https://www.fhnw.ch/de/die-fhnw/hochschulen/ht/institute/institut-fuer-data-science
Pascal Herzog
Cyrill Zweiacker
Prof. Dr. Martin Melchior, martin.melchior@fhnw.ch
Dr. Cédric Huwyler, cedric.huwyler@fhnw.ch
