Pattern Recognition Algorithms for Symbol Strings

Mustererkennung befasst sich traditionell überwiegend mit numerischen
Daten, also mit Vektoren von reellwertigen Merkmalen. Seltener
wird eine symbolische Repräsentation verwendet.
Eine spezielle Kategorie der Daten, nämlich Symbolketten
(Strings), wurde lange Zeit vernachlässigt, teilweise wegen der
scheinbar nicht vorhandenen Notwendigkeit und teilweise wegen
des damit verbundenen hohen Rechenaufwands. Erst in jüngster
Zeit, veranlasst durch die Forschung in unterschiedlichen
Gebieten, wie Spracherkennung und Bioinformatik, weckten
Symbolketten ein höheres Interesse unter den Forschern im
Gebiet der Mustererkennung.

Zwei große Familien der Mustererkennungsalgorithmen --
distanzbasierte und kernelbasierte -- können auf Symbolketten
angewandt werden, indem man ein Distanzmaß (und, in manchen
Fällen, einen Mittelwert) oder eine Kernelfunktion für
Symbolketten definiert. String-Varianten von
selbstorganisierenden Karten und LVQ wurden bereits im Kontext von
Spracherkennung implementiert. Sie basierten jedoch auf der feature distance, die verschiedene Nachteile hat. Auch
zahlreiche Kernels für Strings sind schon bekannt, deren
Anwendbarkeit ist jedoch auf bestimmte Bereiche begrenzt.

In dieser Dissertation werden mathematisch und biologisch
begründete Distanzmaße und Mittelwerte, wie auch Kernels für
Strings definiert. Darauf basierend werden verschiedene
klassische Algorithmen für Datenvisualisierung,
Klassifizierung und Clustering für Anwendungen an Strings
adaptiert. Deren Güte wird auf künstlichen und natürlichen
Datensätzen getestet. Es wird gezeigt, dass sich die
Algorithmen auf dieselbe Art und mit derselben Zielsetzung wie
für numerische Daten auch auf Strings anwenden lassen. Weitere
mögliche Anwendungsbereiche, neben den oben erwähnten, schließen
Marketing, Optimierung von Schnittstellen und
Verhaltenswissenschaften im Allgemeinen ein.