Projekte
Projektleiter: Frank Werner, Professur Inverse Probleme am Lehrstuhl für Mathematik IX (Chair Scientific Computing), University of Würzburg, Germany.
Laufzeit: - Project period: 2025 - 2028
Förderinstitution: - Funding institution: DFG
Genehmigungssumme - Funding amount: 250.000,00 €
Genehmigungsdatum - Granting date: 12.06.2025
Förderkennzeichen - Funding number: WE 6204/2-3
Projektbeschreibung:
Das Ziel dieses Projektes ist statistische Inferenz für Eigenschaften einer nur verrauscht und indirekt beobachtbaren Größe. Basierend auf statistischen Hypothesentests ist es möglich, die Frage ob spezifische Eigenschaften (wie z.B. Homogenität einer Funktion) erfüllt sind mit vorgegebener Fehlerwahrscheinlichkeit zu beantworten. In einem vorangegangenen DFG-Projekt wurde ein regularisierter Ansatz für dieses Problem untersucht, welcher aber leider weiterhin Probleme mit sich bringt. Zum einen werden im Moment zwei Datensätze für eine statistische Inferenz mit kontrolliertem Typ-1-Fehler benötigt, und zum anderen können derzeit nur einzelne Features getestet werden. Das übergeordnete Ziel dieses Projekts ist es nun, diese Schwächen des regularisierten Testens zu überwinden, und die entwickelten Methoden mittels Simulationen empirisch und in Anwendungen auf reale Messdaten, z.B. im Bereich der hochauflösenden Mikroskopie, zu untersuchen.
Projektleiter: Frank Werner, Professur Inverse Probleme am Lehrstuhl für Mathematik IX (Chair Scientific Computing), University of Würzburg, Germany.
Laufzeit: - Project period: 10.2021 - 09.2023
Förderinstitution: - Funding institution: DFG
Genehmigungssumme - Funding amount: 200.000,00 €
Genehmigungsdatum - Granting date: 11.06.2021
Förderkennzeichen - Funding number: WE 6204/2-1
Projektbeschreibung:
Das Ziel dieses Projektes ist statistische Inferenz für Eigenschaften einer nur verrauscht und indirekt beobachtbaren Größe. Basierend auf statistischen Hypothesentests ist es möglich, die Frage, ob spezifische Eigenschaften (wie z.B. Homogenität einer Funktion) erfüllt sind, mit vorgegebener Fehlerwahrscheinlichkeit zu beantworten. Dafür wird das zugrundeliegende Problem in einem klassischen Inverse Probleme Modell untersucht und regularisierte Hypothesentests basierend auf optimalen Schätzern werden entwickelt. Neben der theoretischen Untersuchung solcher Methoden werden diese im Rahmen des Projektes auch mittels Simulationen empirisch untersucht und Anwendungen auf reale Messdaten, z.B. im Bereich der hochauflösenden Mikroskopie, durchgeführt
