
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.
All applications were developed at Physikalisch-Technische Bundesanstalt (PTB). PTB assumes no responsibility whatsoever for its use by other parties, and makes no guarantees, expressed or implied, about its quality, reliability, safety, suitability or any other characteristic. In no event will PTB be liable for any direct, indirect or consequential damage arising in connection with the use of this software.
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
Regression
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 and Biology, in press [DOI: 10.1088/1361-6560/abeae7].
Ansprechperson: Selma Metzner
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.
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
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.
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)
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
Stichprobenverfahren im gesetzlichen Messwesen
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))
Ansprechperson: Katy Klauenberg
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 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
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 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)].
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
Messunsicherheit
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 and Biology, in press [DOI: 10.1088/1361-6560/abeae7].
Ansprechperson: Selma Metzner
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.
Für Details und eine Anleitung zur Benutzung siehe
J.Martin and C. Elster. GUI for Bayesian sample size planning in type A uncertainty evaluation. Measurement Science and Technology (accepted manuscript).
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.
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
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)
Ansprechperson: Gerd Wübbeler