Die PTB Arbeitsgruppe 8.42 stellt im Rahmen von wissenschaftlichen Veröffentlichungen Software zur Verfügung. Diese kann frei heruntergeladen und für nicht-kommerzielle Zwecke verwendet werden. Die entsprechenden Veröffentlichungen sollten zitiert werden, wenn mit der Software erzeugte Ergebnisse publiziert werden.
Haftungsausschluss: Alle Anwendungen wurden an der Physikalisch-Technische Bundesanstalt (PTB) entwickelt. Die Anwendungen werden "wie besehen" kostenfrei zur Verfügung gestellt. Die PTB übernimmt keinerlei Verantwortung für die Nutzung durch Dritte and garantiert nicht für die zum Ausdruck gebrachte oder implizierte Qualität, Zuverlässigkeit, Sicherheit, Eignung oder für andere Eigenschaften. In keinem Fall wird die PTB haftbar sein für direkte, indirekte oder Folgeschäden, die im Zusammenhang mit der Nutzung dieser Anwendung entstehen.
Messunsicherheit
Ein Samplingverfahren basierend auf Verwerfung und den Monte Carlo Techniken von GUM-S1
Supplement 1 des GUM (GUM-S1) erweitert das Unsicherheitsframework des GUM auf nichtlineare Funktionen und nicht Gaus-Verteilungen. Dafür wird eine Monte Carlo Methode benutzt, um die Verteilung der Messgröße zu ermitteln. Diese Monte Carlo Methode wurde bereits in vielen metrologischen Anwendungen erfolgreich angewandt. Allerdings wurde auch die Unsicherheitsbestimmung von Typ-A Größen in GUM-S1 bereits mehrfach kritisiert. Die meisten Kritikpunkte könnten dadurch geklärt werden, dass zusätzliche Informationen über die Messgröße in die Bestimmung mit einfließen. Dieses Vorgehen ist jedoch nicht Teil des GUM-S1. Wir schlagen daher eine alternative Monte Carlo Methode vor, die es erlaubt Vorwissen über die Messgröße mit einzubeziehen. Der vorgestellte Algorithmus basiert auf einer Bayesschen Unsicherheitsbestimmung und benutzt eine einfache Verwerfungsmethode, welche die gleichen Techniken nutzt, die auch in GUM-S1 beschrieben werden. Wir bieten Software in Python und Matlab®, sowie ein Beispiel mithilfe einer Tabellenkalkulation.
Zugehörige Publikation: Manuel Marschall Gerd Wübbeler and Clemens Elster (2021). Rejection sampling for Bayesian uncertainty evaluation using the Monte Carlo techniques of GUM-S1. Metrologia, (2021) [DOI: 
10.1088/1681-7575/ac3920].
Ansprechperson: Manuel Marschall
Bayessche Unsicherheitsberechnung für Magnetic Resonance Fingerprinting
Magnetic Resonance Fingerprinting (MRF) ist eine vielversprechende Methode in der quantitativen Magnetresonanzbildgebung. MRF basiert auf einer Reihe von unterabgetasteten Magnetisierungsbildern, die mit Hilfe eines vorher berechnetem Dictionaries analysiert werden und Schätzer für die Relaxationszeiten T1 und T2 liefern. Um für diese Schätzer Unsicherheiten zu berechnen, wurde in der Arbeitsgruppe 8.42 eine Bayessche Unsicherheitsberechnung entwickelt, die ein homoskedastisches Gaussches Modell für die rekonstruierten Magnetisierungen annimmt. Die Methode wurde validiert mittels simulierter Daten, als auch anhand von Phantom und in vivo Messungen.
Zugehörige Publikation: Selma Metzner, Gerd Wübbeler, Sebastian Flassbeck, Constance Gatefait, Christoph Kolbitsch and Clemens Elster (2021). Bayesian Uncertainty Quantification for Magnetic Resonance Fingerprinting. Physics in Medicine & Biology (2021), 66(7), 075006 [DOI: 10.1088/1361-6560/abeae7].
Ansprechperson: Gerd Wübbeler
Bayesian sample size planning in type A uncertainty evaluation
Eine einfach zu bedienende GUI zur sample size Planung und anschließender Auswertung, auf der Basis von Bayesscher Statistik und einem in der Arbeitsgruppe 8.42 entwickelten Verfahren. Zur Benutzung sind keinerlei Vorkenntnisse in Bayesscher Statistik nötig.
Zugehörige Publikation: J.Martin and C. Elster. GUI for Bayesian sample size planning in type A uncertainty evaluation. Measurement Science and Technology (accepted manuscript).
Ansprechperson: Jörg Martin
Eine einfache Methode zur Bayes’schen Unsicherheitsbestimmung für lineare Modelle
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]
Ansprechpersonen: Gerd Wübbeler, Manuel Marschall
Ein einführendes Beispiel für Markov Chain Monte Carlo (MCMC)
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.
Software (in Publikation enthalten)
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]
Ansprechperson: Katy Klauenberg
WinBUGS-Software für die Analyse von Immunassay-Daten
Für die Analyse von Immunassay-Daten hat die PTB Arbeitsgruppe 8.42 WinBUGS-Softwarecode entwickelt, um MCMC für die posterior-Verteilungen der Kalibrationsparameter und der unbekannten Konzentration durchzuführen. Diese Software steht im A Guide to Bayesian Inference for Regression Problems zur Verfügung.
Software (in Publikation enthalten)
Ansprechperson: Katy Klauenberg
MCMC-Software für die Analyse von Magnetfeldfluktuationsthermometrie
Für Analysen in der Magnetfeldfluktuationsthermometrie hat die PTB Arbeitsgruppe 8.42 ein MATLAB-Softwarepaket entwickelt, um MCMC für die posterior-Verteilung der Kalibrationsparameter durchzuführen und um anschließend Temperaturen zu schätzen. Diese Software ist im elektronischen Supplement der dazugehörigen Publikation erhältlich.
Software (elektronisches Supplement zum Artikel)
Zugehörige Publikation: G. Wübbeler, F. Schmähling, J. Beyer, J. Engert and C. Elster Analysis of magnetic field fluctuation thermometry using Bayesian inference. Measurement Science and Technology, 23(12), 125004, 2012. [DOI: 10.1088/0957-0233/23/12/125004]
Ansprechperson: Gerd Wübbeler
Large-scale data analysis
Eine Niedrigrang Rekonstruktionsmethode mit Hilfe von Glattheitsannahmen
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].
Ansprechperson: Manuel Marschall
Bayessche Unsicherheitsberechnung für Magnetic Resonance Fingerprinting
Magnetic Resonance Fingerprinting (MRF) ist eine vielversprechende Methode in der quantitativen Magnetresonanzbildgebung. MRF basiert auf einer Reihe von unterabgetasteten Magnetisierungsbildern, die mit Hilfe eines vorher berechnetem Dictionaries analysiert werden und Schätzer für die Relaxationszeiten T1 und T2 liefern. Um für diese Schätzer Unsicherheiten zu berechnen, wurde in der Arbeitsgruppe 8.42 eine Bayessche Unsicherheitsberechnung entwickelt, die ein homoskedastisches Gaussches Modell für die rekonstruierten Magnetisierungen annimmt. Die Methode wurde validiert mittels simulierter Daten, als auch anhand von Phantom und in vivo Messungen.
Zugehörige Publikation: Selma Metzner, Gerd Wübbeler, Sebastian Flassbeck, Constance Gatefait, Christoph Kolbitsch and Clemens Elster (2021). Bayesian Uncertainty Quantification for Magnetic Resonance Fingerprinting. Physics in Medicine & Biology (2021), 66(7), 075006 [DOI: 10.1088/1361-6560/abeae7].
Ansprechperson: Gerd Wübbeler
Deep learning
Inspecting adversarial examples using the fisher information
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].
Ansprechperson: Jörg Martin
Stichprobenverfahren im gesetzlichen Messwesen
Hypothesenbasierte Stichprobenpläne für Konformitätsbewertungen nach MID
Diese R Shiny App ist eine interaktiven Web-Anwendung, die optimale Stichprobenpläne berechnet zur Anwendung statistischer Konformitätsbewertung in den Modulen F und F1 der Europäischen Measuring Instruments Directive (MID).
Zugehörige Publikation: K. Klauenberg, C. A. Müller und C. Elster Hypothesis-based acceptance sampling for modules F and F1 of the European Measuring Instruments Directive. Statistics and Public Policy, 2021. [DOI: 10.1080/2330443X.2021.1900762].
Ansprechperson: Katy Klauenberg
Shapiro-Wilk Test
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))
Zugehörige Publikation: K. Klauenberg and C. Elster Testing normality - An introduction with sample size calculation in legal metrology. tm - Technisches Messen,(online), 2019. [DOI: 10.1515/teme-2019-0148]
Ansprechperson: Katy Klauenberg
Regression
Kalibrierung eines Drehmomentmesssystems – GUM-Unsicherheitsauswertung für kleinste-Quadrate im Vergleich mit Bayesscher Inferenz
Dieser R Markdown Code soll Metrologen befähigen, Geradenregressionen für Messdaten durchzuführen, und zwar durch Anwendung (i) von gewöhnlicher und gewichteter kleinste-Quadrate-Schätzung in Kombination mit einer Unsicherheitsauswertung nach GUM und (ii) von Bayesscher Inferenz. Dieser R code setzt das Fallbeispiel der Kalibrierung eines Drehmomentmesssystems um, kann jedoch an neue Messdaten angepasst werden.
Software (R markdown)
Zugehörige Publikation: Steffen Martens; Katy Klauenberg und Clemens Elster (2020). EMUE-D6-2-Calibration Uncertainty GUM vs Bayesian. [DOI: 10.5281/zenodo.3858120].
Ansprechperson: Katy Klauenberg
Quantifizierung der Unsicherheit beim Vergleich von Messmethoden – Hämoglobinkonzentration als Beispiel für Korrelation in Geradenregressionen
In der Metrologie werden oft zwei Methoden verglichen, die dieselbe Größe messen, mit dem Ziel deren Übereinstimmung zu beurteilen. Für Messungen über einen ganzen Wertebereich kann dies durch Vergleich der angepassten Geraden mit der Identität geschehen. Ein solcher Vergleich ist nur sinnvoll, wenn Unsicherheiten vorhanden sind. Darüber hinaus sind die Schätzwerte und Unsicherheiten der Geradenanpassung nur zuverlässig, wenn alle Unsicherheitsursachen berücksichtigt wurden. Bei der Anpassung der Gerade berücksichtigt die sogenannte weighted total least-squares (WTLS) Methode Korrelationen und Unsicherheiten in beiden Variablen. Dieser R code setzt das Fallbeispiel um, kann jedoch an neue Messdaten angepasst werden.
Software (R markdown)
Zugehörige Publikation: Steffen Martens; Katy Klauenberg; Jörg Neukammer; Simon Cowen; Stephen L. R. Ellison und Clemens Elster (2020). EMUE-D5-4-Method Comparison With Correlation. [DOI: 10.5281/zenodo.3911583].
Ansprechperson: Katy Klauenberg
Kalibrierung einer Ultraschalldüse als Beispiel zur Quantifizierung aller beteiligten Unsicherheiten in Geradenregressionen
Für die Kalibrierung einer Ultraschalldüse wird empfohlen, die Geradenbeziehung zwischen dem Durchflusskoeffizienten der Düse und der Wurzel aus der inversen Reynoldszahl des Gases zu schätzen. Dieses Beispiel betont die Wichtigkeit, vorhandene Korrelationen dabei zu berücksichtigen. Es wird ein Messmodel basierend auf der sogenannten weighted total least-squares (WTLS) Methode angewandt und deren Eingangsgrößen vollständig charakterisiert. Insbesondere wird detailliert demonstriert, wie Korrelationen, Unsicherheiten und Schätzwerte für die Eingangsgrößen der kleinste-Quadrate-Methode gemeinsam mithilfe von Monte Carlo ausgewertet werden können. Dieser R code setzt das Fallbeispiel um, kann jedoch an neue Messdaten angepasst werden.
Software (R markdown)
Zugehörige Publikation: Steffen Martens; Katy Klauenberg; Bodo Mickan; Catherine Yardin; Nicolas Fischer and Clemens Elster (2020). EMUE-D4-3-Quantify Uncertainties In Calibration. [DOI: 10.5281/zenodo.4016915].
Ansprechperson: Katy Klauenberg
Bayessche Unsicherheitsberechnung für Magnetic Resonance Fingerprinting
Magnetic Resonance Fingerprinting (MRF) ist eine vielversprechende Methode in der quantitativen Magnetresonanzbildgebung. MRF basiert auf einer Reihe von unterabgetasteten Magnetisierungsbildern, die mit Hilfe eines vorher berechnetem Dictionaries analysiert werden und Schätzer für die Relaxationszeiten T1 und T2 liefern. Um für diese Schätzer Unsicherheiten zu berechnen, wurde in der Arbeitsgruppe 8.42 eine Bayessche Unsicherheitsberechnung entwickelt, die ein homoskedastisches Gaussches Modell für die rekonstruierten Magnetisierungen annimmt. Die Methode wurde validiert mittels simulierter Daten, als auch anhand von Phantom und in vivo Messungen.
Zugehörige Publikation: Selma Metzner, Gerd Wübbeler, Sebastian Flassbeck, Constance Gatefait, Christoph Kolbitsch and Clemens Elster (2021). Bayesian Uncertainty Quantification for Magnetic Resonance Fingerprinting. Physics in Medicine & Biology (2021), 66(7), 075006 [DOI: 10.1088/1361-6560/abeae7].
Ansprechperson: Gerd Wübbeler
Eine Niedrigrang Rekonstruktionsmethode mit Hilfe von Glattheitsannahmen
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].
Ansprechperson: Manuel Marschall
Ein einführendes Beispiel für Markov Chain Monte Carlo (MCMC)
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.
Software (in Publikation enthalten)
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].
Ansprechperson: Katy Klauenberg
Bayessche Normale lineare Regression
In Verbindung mit einem Tutorium stellt die PTB Arbeitsgruppe 8.42 Software bereit für die Berechnung der Posterior-Verteilung aller Regressionsparameter, der Regressionskurve und Prognosen, sowie der Schätzwerte, der meisten Unsicherheiten und Überdeckungsintervalle. Die Software bietet auch graphische Darstellungsmöglichkeiten dieser Größen an. [mehr]
Zugehörige Publikation: K. Klauenberg, G. Wübbeler, B. Mickan, P. Harris and C. Elster A tutorial on Bayesian Normal linear regression. Metrologia, 52(6), 878--892, 2015. [DOI: 10.1088/0026-1394/52/6/878]
Ansprechpersonen: Katy Klauenberg, Gerd Wübbeler
WinBUGS-Software für die Analyse von Immunassay-Daten
Für die Analyse von Immunassay-Daten hat die PTB Arbeitsgruppe 8.42 WinBUGS-Softwarecode entwickelt, um MCMC für die posterior-Verteilungen der Kalibrationsparameter und der unbekannten Konzentration durchzuführen. Diese Software steht im A Guide to Bayesian Inference for Regression Problems zur Verfügung.
Software (in Publikation enthalten)
Ansprechperson: Katy Klauenberg
MCMC-Software für die Analyse von Magnetfeldfluktuationsthermometrie
Für Analysen in der Magnetfeldfluktuationsthermometrie hat die PTB Arbeitsgruppe 8.42 ein MATLAB-Softwarepaket entwickelt, um MCMC für die Posterior-Verteilung der Kalibrationsparameter durchzuführen und um anschließend Temperaturen zu schätzen. Diese Software ist im elektronischen Supplement der dazugehörigen Publikation erhältlich.
Software (elektronisches Supplement zum Artikel)
Zugehörige Publikation: G. Wübbeler, F. Schmähling, J. Beyer, J. Engert and C. Elster Analysis of magnetic field fluctuation thermometry using Bayesian inference. Measurement Science and Technology, 23(12), 125004, 2012. [DOI: 10.1088/0957-0233/23/12/125004]
Ansprechperson: Gerd Wübbeler
Analyse internationaler Ringvergleiche
Bayessche Hypothesenprüfung für Ringvergleiche
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].
Ansprechperson: Gerd Wübbeler
Analyse dynamischer Messungen
Bestimmung von Unsicherheiten bei Anwendung der DFT
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 Implementierung 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.
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
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].
Ansprechperson: Sascha Eichstädt
PyDynamic - Software für die Analyse dynamischer Messungen
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.
Ansprechperson: Sascha Eichstädt
Spektrale Entfaltung mit Richardson-Lucy
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 angepassten 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)].
Ansprechperson: Sascha Eichstädt, Franko Schmähling
Monte-Carlo für dynamische Messungen
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].
Ansprechperson: Sascha Eichstädt