Der von der Dr. Wilhelmy-Stiftung und dem VDE jährlich verliehene Dr. Wilhelmy-VDE-Preis für Nachwuchswissenschaftlerinnen geht dieses Jahr an zwei Ingenieurinnen der Elektro- und Informationstechnik. Die mit je 3.000 € dotierte Auszeichnung verleiht herausragenden Dissertationen mehr Sichtbarkeit.
Dr. Liana Khamidullina hat an der Fakultät für Elektro- und Informationstechnik der TU Illmenau promoviert und ihre Dissertation dem Thema Signalverarbeitung gewidmet. Daten haben bei vielen Anwendungen eine hochdimensionale Struktur und der Rückgriff auf matrixbasierte, zweidimensionale Ansätze führt zu einem Informationsverlust. Liana Khamidullina definierte für ihre Dissertation verschiedene Applikationen, um die Vorteile einer multidimensionalen, tensorbasierten Verarbeitung aufzuzeigen und dafür leistungsstarke Algorithmen zu entwickeln.
Für medizinische Anwendungen wie z. B. EEGs hat Khamidullina ein Modell entwickelt, das auf Datenfusion basiert und in der Lage ist, die Informationen zahlreicher Sensoren gleichzeitig zu verarbeiten. Dadurch steigt die Genauigkeitund Fehler werden leichter erkannt – etwa wegen schlecht sitzender Sensoren oder Bewegungen des Patienten während der Aufzeichnung.
Dr. Julia Rosenberger hat an der Universität Duisburg-Essen promoviert und sich in ihrer Dissertation mit der Verarbeitung industrieller Datenflüsse befasst. Im Fokus stand die Problematik, dass in industriellen Anlagen Unmengen an Daten verarbeitet werden und gleichzeitig dafür oft nicht in teure Hardware investiert werden kann. Sie zeigte Möglichkeiten auf, wie sich Datenflüsse softwarebasiert und damit wirtschaftlich handhaben lassen. Verschiedene Ansätze hat sie in einer Simulation evaluiert und deren Zusammenspiel in einem Gesamtsystem aufgezeigt. Rosenberger verwendete Kompressionsalgorithmen, die für die Verarbeitung von Daten bereits zur Verfügung stehen, um sie für die Verarbeitung von Datenflüssen weiterzuentwickeln. Sie beschäftigte sich damit, relevante Informationen – also Anomalien – frühzeitig aus dem kontinuierlichen Datenfluss herauszufiltern und somit die Menge an zu übertragenden Daten zu reduzieren. Um begrenzte Hardwareleistung bestmöglich für alle Aufgaben zu nutzen, hat sie Konzepte aus dem Machine Learning adaptiert. So werden kontinuierlich IoT-Geräte ermittelt, die nicht zu 100 % ausgelastet sind, um sie bei ausreichender Bandbreite für die Datenverarbeitung zu nutzen.
