Diese Software implementiert eine Methode zur Detektion von "adversarial examples" basierend auf der Fisher Information, vorgestellt im Neurcomputing Artikel "Inspecting adversarial examples using the fisher information". Quellcode in Python.

Zugehörige Publikation: J. Martin and C. Elster Inspecting adversarial examples using the fisher information. Neurocomputing, 382 80--86, 2020. [DOI: 10.1016/j.neucom.2019.11.052].

Software

Ansprechperson: Jörg Martin

Das Durchführen von hochauflösenden Messungen ist eine wichtige und aufwendige Technik, die in vielen Anwendungen mit langen Messzeiten einhergeht. Um diese zeitaufwendige Datenaufnahme zu reduzieren wurde in der Arbeitsgruppe 8.42 eine neue „Niedrigrang“ Rekonstruktionsmethode entwickelt, in der Glattheitsinformationen der Daten genutzt wird um einen vollen Datensatz anhand weniger Messungen wiederherzustellen. In Kooperation mit der Arbeitsgruppe 7.11 und der FU-Berlin wurde der entwickelte Algorithmus auf FTIR Messungen komplexer biologischer Proben angewandt. Mit nur 5% der Originaldaten konnte eine erfolgreiche Rekonstruktion beobachtet werden. Um den Algorithmus verfügbar zu machen wurde eine entsprechende Python Software veröffentlicht, die leicht an verschiedenste Anwendungen und Datentypen angepasst werden kann.

Zugehörige Publikation: M. Marschall, Andrea Hornemann, Gerd Wübbeler, Arne Hoehl, Eckart Rühl, Bernd Kästner and Clemens Elster (2020). Compressed FTIR spectroscopy using low-rank matrix reconstruction. Optics Express, Vol. 28, Issue 26, pp. 38762-38772 (2020) [DOI: 10.1364/OE.404959].

Software

Ansprechperson: Manuel Marschall

Die Auswertung von Posterior-Verteilungen Bayesscher Analysen ist numerisch oft sehr aufwendig, aber notwendig (z.B. wenn der Guide to the Expression of Uncertainty in Measurement GUM nicht anwendbar ist). Markov Chain Monte Carlo (MCMC) Methoden sind eine flexible und vielseitige Möglichkeit, wie die beteiligten hoch-dimensionalen Integrale gelöst und damit Posterior-Verteilungen approximiert werden können. Die PTB Arbeitsgruppe 8.42 hat eine knappe Einführung zu MCMC Methoden entwickelt, die anhand eines einfachen Beispiels aus der Metrologie und wenigen Zeilen Programmcode den Einstieg in dieses mächtige Instrument ermöglicht. MATLAB- sowie R-Quellcode stehen in Markov chain Monte Carlo methods. MATLAB- sowie R-Quellcode hierfür befinden sich in der zugehörigen Publikation.

Zugehörige Publikation: K. Klauenberg und C. Elster Markov chain Monte Carlo methods: an introductory example. Metrologia, 53(1), S32, 2016. [DOI: 10.1088/0026-1394/53/1/S32].

Software (in Publikation enthalten)

Ansprechperson: Katy Klauenberg

Die bei der Analyse von Ringvergleichen eingesetzten Verfahren zur Überprüfung der Mess- und Kalibrierfähigkeit eines Labors  können häufig als Anwendung eines klassischen Hypothesentests angesehen werden. In der PTB Arbeitsgruppe 8.42 ist eine alternative Bayessche Methodik zur Hypthesenprüfung bei Ringvergleichen entwickelt worden. Der Vorteil dieser neuen Methode besteht darin, dass Vorwissen über die am Ringvergleich teilnehmenden Labore in der Auswertung  berücksichtigt werden kann. Um die Anwendung der Bayesschen Methodik für Hypothesentests zu erleichtern werden entsprechende  MATLAB- und R-Implementierungen zur Verfügung gestellt. Die Software ermöglicht die Berücksichtigung von Korrelation und unterschiedlichen Prior-Wahrscheinlichkeiten für die Labore. Die Software beinhaltet auch Routinen zur Eingabe der Daten des Ringvergleichs sowie zur graphischen Aufbereitung  der Ergebnisse.

Zugehörige Publikation: G. Wübbeler, O. Bodnar and C. Elster (2016). Bayesian hypothesis testing for key comparisons. Metrologia 53(4), [DOI: 10.1088/0026-1394/53/4/1131].

Zur Unterstützung des statistischen Nachweises von Verletzungen der Normalverteilung hat die PTB Arbeitsgruppe 8.42 eine Excel-Anwendung entwickelt, die den Shapiro-Wilk-Test für multiple Stichproben implementiert. Diese Anwendung wurde spezifisch für das Qualifikationsverfahrens im gesetzlichen Messwesen konzipiert und beinhaltet die sogenannte Bonferroni-Korrektur.

Software (Microsoft Excel (erzeugt unter Office 365 ProPlus Version 16.0.11328.20420))

mehr

Ansprechperson: Katy Klauenberg

Die Fouriertransformation und ihr Gegenstück, die diskrete Fouriertransformation (DFT), sind Standardwerkzeuge in der Metrologie und Messtechnik. Obwohl nahezu alle gängigen wissenschaftlichen Softwarepakete eine Implementierung der DFT anbieten, wird die entsprechende GUM-konforme Fortpflanzung von Messunsicherheiten meistens vernachlässigt oder ignoriert. Die Software GUM2DFT bietet daher eine effiziente Implentierung geschlossener Formeln zur GUM-konformen Fortpflanzung von Messunsicherheiten für die Arbeit mit der DFT an. Sie berücksichtigt Korrelationen, verschiedene Representierungen von Informationen im Frequenzbereich und nutzt die Symmetrie im Fourierspektrum reeller Signale zur speichereffizienten Implementierung aus.

zugehörige Publikation: S. Eichstädt and V. Wilkens "GUM2DFT -- A software tool for uncertainty evaluation of transient signals in the frequency domain". Meas. Sci. Technol. 27(5), 055001, 2016 [DOI: 10.1088/0957-0233/27/5/055001].

The methods from this software are also part of the larger Python package PyDynamic, which is hosted on GitHub: https://github.com/PTB-PSt1/PyDynamic 

Software

Ansprechperson: Sascha Eichstädt

Im Rahmen des EMRP Projekts 14SIP08 Dynamic entwickelt die PTB-Arbeitsgruppe 8.42 zusammen mit dem National Physical Laboratory (UK) ein umfangreiches Python Softwarepaket, welches eine Vielzahl von Methoden implementiert, die für die Analyse dynamischer Messungen notwendig sind.

Software

Ansprechperson: Sascha Eichstädt

Die Korrektur von Verzerrungen eines mit einem Spektrometer gemessenen Spektrums ist oftmals notwendig, um korrekte Messergebnisse zu erhalten. Dazu wird typischerweise ein Verfahren beruhend auf einer Methode von Stearns angewendet. Jedoch konnte gezeigt werden, dass das Richardson-Lucy Verfahren hier deutlich bessere Ergebnisse erzielen kann. Dazu wurde in der Arbeitsgruppe 8.42 eine Implementierung eines angepassen Richardson-Lucy Verfahrens mit automatischen Abbruchkriterium entwickelt. Die Software beinhaltet MATLAB-Code, als auch Python-Code mit einer graphischen Benutzeroberfläche.

zugehörige Publikation: S. Eichstädt F. Schmähling G. Wübbeler, K. Anhalt, L. Bünger, K. Krüger and C. Elster (2013). Comparison of the Richardson-Lucy method and a classical approach for spectrometer bandpass correction. Metrologia 50, 107-118 [DOI: 10.1088/0026-1394/50/2/107)].

Die Fortpflanzung von Messunsicherheiten bei dynamischen Messungen erfordert eine effiziente Implementierung um hohe Genauigkeiten zu erreichen, da der Speicherbedarf bei einer Standardimplementierung sehr hoch ist. In der Arbeitsgruppe 8.42 wurde ein MATLAB-Softwarepaket entwickelt, welches diese Methoden einfach und flexibel nutzbar implementiert.

zugehörige Publikation: S. Eichstädt, A. Link, P. Harris and C. Elster (2012). Efficient implementation of a Monte Carlo method for uncertainty evaluation in dynamic measurements. Metrologia 49, 401-410    [DOI:10.1088/0026-1394/49/3/401].

Software

Ansprechperson: Sascha Eichstädt

In der Metrologie liegt oft Vorwissen über die zu bestimmende Messgröße vor, welches im Rahmen einer GUM Unsicherheitsberechnung jedoch nicht berücksichtigt werden kann. In der PTB Arbeitsgruppe 8.42 wurde ein einfaches Verfahren für eine Bayes’schen Unsicherheitsbestimmung entwickelt, mit dem Vorwissen über die Messgröße einbezogen werden kann. Die Methode ist auf eine in der Metrologie häufig vorliegende Klasse von linearen Modellen anwendbar. Sie erlaubt außerdem eine konsistente Unsicherheitsberechnung im Falle weniger Beobachtungen, einschließlich des Falles von nur einer einzelnen Beobachtung. Die Berechnung der Posteriorverteilung wird mittels einer einfachen Monte Carlo Methode realisiert, so dass keine aufwendigen Markov Chain Monte Carlo Methoden notwendig sind.  Zur einfachen Anwendung der Methode wird eine Open-Source Python Software zur Verfügung gestellt.

Zugehörige Publikation: G. Wübbeler, M. Marschall and C. Elster (2020). A simple method for Bayesian uncertainty evaluation in linear models. Metrologia [DOI: 10.1088/1681-7575/aba3b8]

Software

Ansprechpersonen: Gerd Wübbeler, Manuel Marschall

Die Auswertung von Posterior-Verteilungen Bayesscher Analysen ist numerisch oft sehr aufwendig, aber notwendig (z.B. wenn der Guide to the Expression of Uncertainty in Measurement GUM nicht anwendbar ist). Markov Chain Monte Carlo (MCMC) Methoden sind eine flexible und vielseitige Möglichkeit, wie die beteiligten hoch-dimensionalen Integrale gelöst und damit Posterior-Verteilungen approximiert werden können. Die PTB Arbeitsgruppe 8.42 hat eine knappe Einführung zu MCMC Methoden entwickelt, die anhand eines einfachen Beispiels aus der Metrologie und wenigen Zeilen Programmcode den Einstieg in dieses mächtige Instrument ermöglicht. MATLAB- sowie R-Quellcode stehen in Markov chain Monte Carlo methods. MATLAB- sowie R-Quellcode hierfür befinden sich in der zugehörigen Publikation.

Zugehörige Publikation: K. Klauenberg und C. Elster Markov chain Monte Carlo methods: an introductory example. Metrologia, 53(1), S32, 2016. [DOI: 10.1088/0026-1394/53/1/S32]

Software (in Publikation enthalten)

Ansprechperson: Katy Klauenberg