Divergences for prototype-based classification and causal structure discovery

LVQ-algoritme verbeterd en toegepast

In het eerste deel van zijn proefschrift beschrijft Ernest Mwebaze hoe de op prototypen gebaseerde classificator LVQ (learning Vector Quantization, een ‘kunstmatig neuraal netwerk’ algoritme) kan worden uitgebreid door gebruik te maken van informatietheorie. Daarna toetst hij de verworven kennis aan de praktijk. Hij verrichtte onderzoek naar mogelijkheden om het LVQ-algoritme toe te passen bij het oplossen van veel voorkomende problemen in Oeganda. Het bewaken van voedselveiligheid in huishoudens en het geautomatiseerd diagnosticeren van gewasziektes in de landbouw met behulp van mobiele apparatuur zijn twee voorbeelden die hij in het tweede deel van proefschrift behandelt.

Het technische gedeelte van zijn onderzoek behelst een analyse van verschillende manieren van datarepresentatie in de LVQ-configuratie, in dit geval histogrammen van foto’s, SIFT- en SURF-kenmerken. Hij laat zien hoe hiervoor een enkele gecombineerde afstandsmaat kan worden geformuleerd door de afzonderlijke afstandsmaten samen te nemen.

Het onderzoek van Ernest Mwebaze werd verricht bij het Johann Bernoulli Instituut van de RUG en gefinancierd door NUFFIC. Mwebaze is Lecturer of Computer Science aan de Makerere University.