Fehlerdiagnose von transienten Fehlern in quantisierten Systemen
|
|
- Alke Gerstle
- vor 5 Jahren
- Abrufe
Transkript
1 Fehlerdiagnose von transienten Fehlern in quantisierten Systemen Hauptseminar Andreas Kost
2 Gliederung Einührung Qualitative Modellierung Diagnose von quantisierten Systemen Zusammenassung & Ausblick
3 1. Einührung 1.1. Unterscheidung qualitative und quantitative Diagnose quantitative Diagnose Beschreibung der Abhängigkeiten zwischen Signalen mit Dierentialgleichungen Fehler interpretiert als externe Eingangssignale oder Parameterabweichungen Diagnose durch Schätzung der Parameter qualitative Diagnose Beschreibung der Werte der Signale durch Intervalle oder Symbole Nutzung von qualitativen Modellen zur Beschreibung der Signalbeziehungen Diagnose durch Methoden der Theorie diskreter Systeme Focus: qualitative Diagnose
4 1. Einührung 1.2. Diagnosesystem Fehlergenerator [e] [u] Quantisiertes System Injektor u Injektor e kontinuierliches System x x n y Quantiser [y] Fehlermodell S qualitatives Modell S des quantisierten Systems Diagnosealgorithmus P([e]) Vergleich Fehlermodell realer Prozess Schließen au mögliche Fehler Rückwirkende Betrachtung der Ein- und Ausgabesequenzen zur Fehleridentiikation
5 2. Qualitative Modellierung 2.1. Quantisierte Systeme Quantisierung: Einteilung des Wertebereiches regions o interest Anwendung au Eingangssignale, Ausgangssignale, Fehlersignale
6 2. Qualitative Modellierung 2.1. Quantisierte Systeme Quantisierung: Einteilung des Wertebereiches regions o interest Anwendung au Eingangssignale, Ausgangssignale, Fehlersignale quantisiertes Fehlermodell:
7 2. Qualitative Modellierung 2.2. stochastische Automaten als qualitative Modelle S( N, N, N, N, L, P( z(0))) z v w
8 2. Qualitative Modellierung 2.2. stochastische Automaten als qualitative Modelle S( N, N, N, N, L, P( z(0))) z v w N z Menge der Automatenzustände
9 2. Qualitative Modellierung 2.2. stochastische Automaten als qualitative Modelle S( N, N, N, N, L, P( z(0))) z v w N z Menge der Automatenzustände N = \ {} 0 Menge der Eingabezustände v N u
10 2. Qualitative Modellierung 2.2. stochastische Automaten als qualitative Modelle S( N, N, N, N, L, P( z(0))) z v w N z N = v N u N = N e Menge der Automatenzustände \ {} 0 Menge der Eingabezustände \{} 0 Menge der Fehlerzustände
11 2. Qualitative Modellierung 2.2. stochastische Automaten als qualitative Modelle S( N, N, N, N, L, P( z(0))) z v w N z N = v N u N = N e Menge der Automatenzustände \ {} 0 Menge der Eingabezustände \{} 0 Menge der Fehlerzustände {} 0 N = \ Menge der Ausgabezustände w N y
12 2. Qualitative Modellierung 2.2. stochastische Automaten als qualitative Modelle S( N, N, N, N, L, P( z(0))) z v w N z N = v N u N = Menge der Automatenzustände \ {} 0 Menge der Eingabezustände \{} 0 Menge der Fehlerzustände {} 0 N = \ Menge der Ausgabezustände L N e w N y Verhaltensrelationen
13 2. Qualitative Modellierung 2.2. stochastische Automaten als qualitative Modelle S( N, N, N, N, L, P( z(0))) z v w N z N = v N u N = Menge der Automatenzustände \ {} 0 Menge der Eingabezustände \{} 0 Menge der Fehlerzustände {} 0 N = \ Menge der Ausgabezustände L N e w N y P (z(0)) Verhaltensrelationen Wahrscheinlichkeitsverteilung des Anangszustandes
14 2. Qualitative Modellierung 2.2. stochastische Automaten als qualitative Modelle Bsp.: N z = { z 0, z 1, z 2, z 3 } = { 0,1} N v N N w = = { 0,1} { 0,1} N v N v N v N v = 1 = 0 = 1 = 0 N N N N = 0 = 0 = 1 = 1 z 2 z 3 z 0 z 1
15 2. Qualitative Modellierung 2.2. stochastische Automaten als qualitative Modelle Bsp.: N z = { z 0, z 1, z 2, z 3 } N v = { 0,1} N = { 0,1} = { 0,1} N w L( z', w z, v, L( z,0 z0,0,0) L z,0 z,0,0) 0 = ( 1 0 = P ( z (0)) : z = 0 1 ) : 0,5 0,5 L z,1 z,0,0) 0,7 L z,0 z,0,1) 0,9 (0;0;1;0.7) L ( 0 0 = ( z3,1 z0,0,0) = 0,3 L ( z2,1 z0,0,1) = 0,8 (0;1;1;0.8) L z,1 z,0,1) 0,2 (0;1;0;0.1) L ( 3 0 = ( 3 2 = ( 2 z0,0 z,0,1) = 0,1 N v N v N v N v = 1 = 0 = 1 = 0 N N N N = 0 = 0 = 1 = 1 (0;0;0;0.5) (0;1;0;0.9) z 2 z 3 (0;1;1;0.2) (0;1;1;0.3) z 0 z 1 (0;0;0;0.5)
16 2. Qualitative Modellierung 2.3. Zusammengesetztes Fehlermodell Zeitliches Fehlermodell: Modellierung des Zusammenhangs aktueller Fehlerwert Fehlerwert zum nächsten Zeitpunkt: F ( ) = P([ e( k + 1)] = [ e( k) = ) entsprechender stochastischer Automat: S ( N, F, P( (0)))
17 2. Qualitative Modellierung 2.3. Zusammengesetztes Fehlermodell Zeitliches Fehlermodell: Modellierung des Zusammenhangs aktueller Fehlerwert Fehlerwert zum nächsten Zeitpunkt: F ( ) = P([ e( k + 1)] = [ e( k) = ) entsprechender stochastischer Automat: S ( N, F, P( (0))) Zusammengesetztes Fehlermodell: bilden des Produktautomaten S S Vollständiges Modell des quantisierten Systems
18 3. Diagnose von quantisierten Systemen 3.1. Modellierungsziel Modellanorderungen: jedes mögliche qualitative Verhalten des zu untersuchenden Systems nachbilden
19 3. Diagnose von quantisierten Systemen 3.1. Modellierungsziel Modellanorderungen: jedes mögliche qualitative Verhalten des zu untersuchenden Systems nachbilden mögliche Zustandsübergänge Modell
20 3. Diagnose von quantisierten Systemen 3.1. Modellierungsziel Modellanorderungen: jedes mögliche qualitative Verhalten des zu untersuchenden Systems nachbilden mögliche Zustandsübergänge Modell mögliche Zustandsübergänge System
21 3. Diagnose von quantisierten Systemen 3.1. Modellierungsziel Modellanorderungen: jedes mögliche qualitative Verhalten des zu untersuchenden Systems nachbilden mögliche Zustandsübergänge Modell mögliche Zustandsübergänge System Modell vollständig ( complete )
22 3. Diagnose von quantisierten Systemen 3.2. Diagnoseproblem Problem: Gegeben: Gesucht: Sequenzen quantisierter Ein- und Ausgangswerte V ( 0.. T), W(0.. T) Wahrscheinlichkeiten ür alle möglichen Fehler P( ( T ) V (0.. T ), W (0.. T )), ( T ) N
23 3. Diagnose von quantisierten Systemen 3.3. Prinzipielle Vorgehensweise Gegeben: Verhaltensrelationen L & F Wahrscheinlichkeitsverteilung des Anangszustandes P(z(0),(0))
24 3. Diagnose von quantisierten Systemen 3.3. Prinzipielle Vorgehensweise Gegeben: Ablau: Verhaltensrelationen L & F Wahrscheinlichkeitsverteilung des Anangszustandes P(z(0),(0)) Messung der aktuellen Werte v(t) und w(t)
25 3. Diagnose von quantisierten Systemen 3.3. Prinzipielle Vorgehensweise Gegeben: Ablau: Verhaltensrelationen L & F Wahrscheinlichkeitsverteilung des Anangszustandes P(z(0),(0)) Messung der aktuellen Werte v(t) und w(t) Bestimmung bedingter Wahrscheinlichkeiten P ( z( T + 1), ( T + 1), ( T ) V (0.. T ), W (0.. T )) ür alle z(t+1), (T+1), (T)
26 3. Diagnose von quantisierten Systemen 3.3. Prinzipielle Vorgehensweise Gegeben: Ablau: Verhaltensrelationen L & F Wahrscheinlichkeitsverteilung des Anangszustandes P(z(0),(0)) Messung der aktuellen Werte v(t) und w(t) Bestimmung bedingter Wahrscheinlichkeiten P ( z( T + 1), ( T + 1), ( T ) V (0.. T ), W (0.. T )) ür alle z(t+1), (T+1), (T) Bestimmung bedingter Wahrscheinlichkeit P( ( T ) V (0.. T ), W (0.. T )) durch Summierung über alle z(t+1) und (T+1)
27 3. Diagnose von quantisierten Systemen 3.4. Beispiel 2 verschiedene Materiale mit unterschiedlicher Wärmeaunahme Temperaturmessungen an Sensor 1 & 2 Verweildauer von 60 Sec au Transportband Abtastzeit von 20 Sec T i (k + 1) = 0,92T i ( k) + b 1 ( e1 ),87T i ( k) + b 2 ( e ) Material 1 Material (k) T i kein Material
28 3. Diagnose von quantisierten Systemen 3.4. Beispiel Heizleistung: ehlerrei: e2 [ 230,270] W : ehlerbehatet: [ 0,20] : e 2 W b 1 [10.6,12.2] K b 2 [29.3,34.0] K b 1 [1.53,2.32]K b 2 [2.58,4.91] K Modell:
29 3. Diagnose von quantisierten Systemen 3.4. Beispiel Fehlerälle: 0,1 % alsches Material - Fehler kann nicht anhand Temperatur 1 bestimmt werden - Fehler zum Zeitpunkt k+1 ist unabhängig vom Fehler zum Zeitpunkt k 0,001% Ausall der Heizung - mit Wahrscheinlichkeit von 99,9% tritt zum Zeitpunkt k+1 ein Fehler au, wenn zum Zeitpunkt k ein Fehler vorlag
30 3. Diagnose von quantisierten Systemen 3.4. Beispiel Stochastischer Automat: N v = { keins, M1, 2} N = v2 { 21,23,25,27,29} 1 M N = { 32.5,57.5,82.5,107.5} = { 1,2,3,4 } w N
31 3. Diagnose von quantisierten Systemen 3.4. Beispiel Zustandsraum des Modells: T 2 z 6 z 7 z 8 z 15 z 16 z 17 z 24 z 25 z 26 z 3 z 4 z 5 z 12 z 13 z 14 z 21 z 22 z 23 z 0 z 1 z 2 T 3 z 9 z 10 z 11 T 1 z 18 z 19 z 20
32 3. Diagnose von quantisierten Systemen 3.4. Beispiel Ergebnisse:
33 3. Diagnose von quantisierten Systemen 3.4. Beispiel Schlussolgerungen: Der Heizehler wurde deutlich geunden. Die Materialehler konnten nicht entdeckt werden durch Transportband Verzögerung um 1 Minute verzögerte Fehlereststellung keine Bestimmung von Einzelehlern möglich mögliche Ursachen: ehlende Betrachtung der Vergangenheit
34 4. Zusammenassung & Ausblick 4.1. Zusammenassung der Ergebnisse gelöste Probleme: Entdeckung von transienten Fehlern geringe Komplexität geeignet ür Onlinediagnose bestehende Probleme: Entdecken sporadischer Einzelehler ehlende Betrachtung der Vergangenheit
35 4. Zusammenassung & Ausblick 4.2. mögliche Erweiterungen des Algorithmus Problem: Gegeben: Gesucht: Sequenzen quantisierter Ein- und Ausgangswerte Untermengen von qualitativen Fehlern P( F T i V (0.. T ), W (0.. T )), T { 1,2}, F i N, 1,, N, q
36 4. Zusammenassung & Ausblick 4.2. mögliche Erweiterungen des Algorithmus Klassiikation von Fehlersequenzen: Ist ein spezieller qualitativer Fehler in der Fehlersequenz enthalten? Beispiele ür Fehlersequenzen: N, ( T T Interpretation von P = 1) Interpretation von P( = 2) {3,1} {3,4} {1,2} {3} {1,2,4} i F i immer korrektes Material mind. einmal alsches Material kein Heizehler mind. einmal Heizehler Heizung nie in Betrieb Heizung mind. einmal in Betrieb System immer ehlerrei mind. ein Fehler ist augetreten System nie ehlerrei System mind. einmal ehlerrei F i
37 4. Zusammenassung & Ausblick 4.2. mögliche Erweiterungen des Algorithmus Probleme bei Algorithmus 2 ür die Onlinediagnose: keine Feststellung möglich, ob Fehler wieder verschwindet da ab dem Zeitpunkt der Fehlereststellung gilt: P( F T = 2 V (0.. T ), W (0.. T )) = 1 i
38 4. Zusammenassung & Ausblick 4.2. mögliche Erweiterungen des Algorithmus Probleme bei Algorithmus 2 ür die Onlinediagnose: P( F T 2 V (0.. T ), W (0.. T )) steigt ständig an ür große T gegen 1 i =
39 4. Zusammenassung & Ausblick 4.2. mögliche Erweiterungen des Algorithmus Modiizierung von Algorithmus 2: Betrachtung eines Zeitensters und nicht der gesamten Vergangenheit Diagnoseproblem 3: Gegeben: Sequenzen quantisierter Ein- und Ausgangswerte Untermengen von qualitativen Fehlern Gesucht: P( F T V (0.. T), W (0.. T)), i F T i { 1,2}, unter der Annahme ür F( 0.. T ), dass F ( 0..( c 1) T ) F(0..( c 1) T ) i mit [ c = T T ] N
40 4. Zusammenassung & Ausblick 4.2. mögliche Erweiterungen des Algorithmus
41 4. Zusammenassung & Ausblick 4.2. mögliche Erweiterungen des Algorithmus Ergebnisse:
Ereignisdiskrete Systeme
2008 AGI-Information Management Consultants May be used for personal purporses only or by libraries associated to dandelon.com network. Ereignisdiskrete Systeme Modellierung und Analyse dynamischer Systeme
MehrSignalverarbeitung 2. Volker Stahl - 1 -
- 1 - Hidden Markov Modelle - 2 - Idee Zu klassifizierende Merkmalvektorfolge wurde von einem (unbekannten) System erzeugt. Nutze Referenzmerkmalvektorfolgen um ein Modell Des erzeugenden Systems zu bauen
MehrPlanung von Handlungen bei unsicherer Information
Planung von Handlungen bei unsicherer Information Dr.-Ing. Bernd Ludwig Lehrstuhl für Künstliche Intelligenz Friedrich-Alexander-Universität Erlangen-Nürnberg 20.01.2010 Dr.-Ing. Bernd Ludwig (FAU ER)
MehrStochastische Resonanz
Stochastische Resonanz Hauptseminar: Ausgewählte Kapitel der klassischen Peter Stinner, Fiona Pregizer 20.7.2010 Statistik, SS 2010 Seite 2 Inhalt Einleitung Eiszeit Stochastische Resonanz Was ist das?
MehrErweiterung eines Verfahrens zur automatisierten Parameteridentifikation eines Fahrzeugmodells
Erweiterung eines Verfahrens zur automatisierten Parameteridentifikation eines Fahrzeugmodells Sebastian Wildfeuer Parameteridentifikation > 23. September 2008 > Folie 1 Themenübersicht Ausgangssituation,
MehrEreignisdiskrete Systeme
Ereignisdiskrete Systeme Modellierung und Analyse dynamischer Systeme mit Automaten, Markovketten und Petrinetzen von Jan Lunze Mit 340 Abbildungen, 80 Anwendungsbeispielen und 110 Übungsaufgaben Oldenbourg
MehrMathematische Modellierung der Kostenund Wirkungszusammenhänge eines regionalen Energieverbundes
Mathematische Modellierung der Kostenund Wirkungszusammenhänge eines regionalen Energieverbundes Bestimmung des ökonomischen Nutzens von Energiespeichern Michael Hassler eines regionalen Energieverbundes
MehrZeitsynchronisation von Echtzeitmessungen verschiedener Signalquellen für Hardware in the Loop Testverfahren
Zeitsynchronisation von Echtzeitmessungen verschiedener Signalquellen für Hardware in the Loop Testverfahren Florian Spiteller, Kristian Trenkel Echtzeit 2014 20.11.2014 Gliederung I. Einführung II. Messen
MehrExample Ptolemy Model of Comp.: Synchronous Reactive
Prinzip: Example Ptolemy Model of Comp.: Synchronous Reactive Annahme: unendlich schnelle Maschine Diskrete Ereignisse (DE) werden zyklisch verarbeitet (Ereignisse müssen nicht jede Runde eintreffen) Pro
MehrKapitel 3 Ereignisdiskrete Systeme (III)
Systemmodellierung Teil 1: Ereignisdiskrete Systeme Kapitel 3 Ereignisdiskrete Systeme (III) Modellierung mit E/A-Automaten Modellbildung mit Automaten Verfeinerte Modellbildung Beispiel: Fahrstuhltür
Mehr2. Eigenschaften dynamischer Systeme
2. Eigenschaften dynamischer Systeme 2.1 Allgemeine Systemeigenschaften 2.1.1 Signale 2.1.2 Systeme Definition: System Ein System ist ein natürliches oder künstliches Gebilde. Es kann Eingangs-Signale
MehrStatistische Datenanalyse
Werner A. Stahel Statistische Datenanalyse Eine Einführung für Naturwissenschaftler 3., durchgesehene Auflage vieweg VII 1 Einleitung 1 1.1 Was ist Statistische Datenanalyse? 1 1.2 Ziele 6 1.3 Hinweise
Mehr2. Vorlesung. Systemtheorie für Informatiker. Dr. Christoph Grimm. Professur Prof. Dr. K. Waldschmidt, Univ. Frankfurt/Main
2. Vorlesung Systemtheorie für Informatiker Dr. Christoph Grimm Professur Prof. Dr. K. Waldschmidt, Univ. Frankfurt/Main Letzte Woche: EA-System Eingabe: Ausgabe: u y t E/A-System 2. Vorlesung Systemtheorie
MehrDiskret oder kontinuierlich modellieren?
Diskret oder kontinuierlich modellieren? Franz Pauer, Florian Stampfer Institut für Fachdidaktik und Institut für Mathematik Universität Innsbruck Lehrer/innen/fortbildungstag Wien 2017 21. April 2017
MehrVerifikation in der Realität. In der Industrie wird der Begriff Verifikation häufig im Zusammenhang mit nicht formalen Methoden verwendet:
Verifikation in der Realität In der Industrie wird der Begriff Verifikation häufig im Zusammenhang mit nicht formalen Methoden verwendet: Testen, Strategien: 100% Befehlsabdeckung (Statement Coverage)
MehrVorlesung HM2 - Master KI Melanie Kaspar, Prof. Dr. B. Grabowski 1
Melanie Kaspar, Prof. Dr. B. Grabowski 1 Melanie Kaspar, Prof. Dr. B. Grabowski 2 Melanie Kaspar, Prof. Dr. B. Grabowski 3 Markovketten Markovketten sind ein häufig verwendetes Modell zur Beschreibung
Mehr6. Kontinuierliche Zufallsgrößen. Beispiel 1: Die Exponentialverteilungen Sei λ > 0. Setzen
6. Kontinuierliche Zufallsgrößen Definition: Eine Z. G. ξ ist absolut stetig mit (Wahrscheinlichkeits-) Dichte f : R R, wenn gilt: P ( a ξ < b ) = b a f(x) dx (a < b) allgem. Eigenschaften einer Dichte
Mehr- Sei r(x,y) Eingangsbild, dass nur Rauschen (Quantenrauschen) enthält.
Eingang System Ausgang - Sei r(x,y) Eingangsbild, dass nur (Quantenrauschen) enthält. - Das Bild enthalte keinerlei Information, d.h. das Spektrum ist weiß und es gibt keine Korrelationen zwischen den
MehrBestandsoptimierung für das Supply Chain Management
Lars Fischer Bestandsoptimierung für das Supply Chain Management Zeitdiskrete Modelle und praxisrelevante Ansätze Vorwort Abbildungsverzeichnis Tabellenverzeichnis Symbolverzeichnis Abkürzungsverzeichnis
MehrÜber den Autor 7. Einführung 21
Inhaltsverzeichnis Über den Autor 7 Einführung 21 Über dieses Buch oder:» für Dummies«verpflichtet! 21 Wie man dieses Buch benutzt 22 Wie ich Sie mir vorstelle 22 Wie dieses Buch aufgebaut ist 23 Teil
MehrDynamische Optimierung
Dynamische Optimierung Mike Hüftle 28. Juli 2006 Inhaltsverzeichnis 1 Einleitung 2 1.1.................................... 2 2 Dynamisches Optimierungmodell 3 2.1 Grundmodell der dynamischen Optimierung............
MehrSystemtheorie für Informatiker
Systemtheorie für Informatiker Dr. Ch. Grimm Professur Technische Informatik, Univ. Frankfurt/Main Vorlesung Systemtheorie Vorlesung: Übung: Veranstalter: Dr. Christoph Grimm Professur Technische Informatik
Mehr2. Eigenschaften dynamischer Systeme
2. Eigenschaften dynamischer Systeme 2.1 Allgemeine Systemeigenschaften 2.1.1 Signale 2.1.2 Systeme Definition: System Ein System ist ein natürliches oder künstliches Gebilde. Es kann Eingangs-Signale
MehrVon Kernkraftwerken zu Space Shuttles
Statistische Methoden in Forschung und Alltag Johannes Hain Lehrstuhl für Mathematik VIII Statistik Universität Würzburg 01.03.2011 Das erwartet einen Mathematik-Studenten auf der Uni... ... oder das hier:
MehrVorlesung Regelungstechnik SoSe 2018 PO2008, PO2015, weitere. Univ.-Prof. Dr.-Ing. Dirk Söffker. Ort: MD 162/MC 122 Zeit: Freitag,
Vorlesung Regelungstechnik SoSe 2018 PO2008, PO2015, weitere Univ.-Prof. Dr.-Ing. Ort: MD 162/MC 122 Zeit: Freitag, 16.00 19.00 Uhr Betreuender wiss. Mitarbeiter: Sebastian Wirtz, M.Sc. www.uni-due.de/srs/v-rt.shtml
MehrRegelungstechnik : Vorlesung 10
Regelungstechnik : Vorlesung 10 Umgang mit Beschränkungen der Aktoren Alle Aktoren haben gewisse Beschränkungen. Sie sind beispielsweise in ihrer Amplitude oder Dynamik beschränkt. Das Missachten von Stellgrößenbegrenzung
MehrStatistische Methoden der Datenanalyse
Statistische Methoden der Datenanalyse Professor Markus Schumacher Freiburg / Sommersemester 2009 Motivation Syllabus Informationen zur Vorlesung Literatur Organisation der Übungen und Scheinkriterium
MehrAnsätze zur datengetriebenen Formulierung von Strukturhypothesen für dynamische Systeme
Ansätze zur datengetriebenen Formulierung von Strukturhypothesen für dynamische Systeme Christian Kühnert, Lutz Gröll, Michael Heizmann, Ralf Mikut 30.11.2011 Fraunhofer IOSB 1 Motivation CRISP Cross-Industry
MehrModellbasierende Fehlerdiagnose für Automobile und Flugzeuge
Modellbasierende Fehlerdiagnose für Automobile und Flugzeuge Tobias Brandenburger Proseminar Künstliche Intelligenz Gliederung: 1. Motivation 2. Begriff: Fehleranalyse 3. Qualitative Modelle 4. KI-Methoden
MehrBreitbandige Vermessung zeitvarianter Indoor-Funkkanäle mit bewegten Streuern Ralf Kattenbach, Henning Früchting und Dieter Weitzel
Breitbandige Vermessung zeitvarianter Indoor-Funkkanäle mit bewegten n Ral Kattenbach, Henning Früchting und Dieter Weitzel Universität Kassel Hochrequenztechnik / Kommunikationssysteme Übersicht Breitbandiges
MehrBayesianische Netzwerke - Lernen und Inferenz
Bayesianische Netzwerke - Lernen und Inferenz Manuela Hummel 9. Mai 2003 Gliederung 1. Allgemeines 2. Bayesianische Netzwerke zur Auswertung von Genexpressionsdaten 3. Automatische Modellselektion 4. Beispiel
MehrVorlesung Statistik, WING, ASW Wahrscheinlichkeit in Laplace Versuchen. Kombinatorische Formeln. Bedingte Wahrscheinlichkeit
Wahrscheinlichkeit in Laplace Versuchen Kombinatorische Formeln Bedingte Wahrscheinlichkeit Multiplikationssatz Unabhängigkeit Melanie Kaspar 1 Formel der totalen Wahrscheinlichkeit Satz von Bayes Melanie
MehrDigitale Signalverarbeitung. mit MATLAB
Martin Werner Digitale Signalverarbeitung mit MATLAB Grundkurs mit 16 ausführlichen Versuchen 3., vollständig überarbeitete und aktualisierte Auflage Mit 159 Abbildungen und 67 Tabellen Studium Technik
MehrDigitale Signalverarbeitung mit MATLAB
Martin Werner Digitale Signalverarbeitung mit MATLAB Grundkurs mit 16 ausführlichen Versuchen 4., durchgesehene und ergänzte Auflage Mit 180 Abbildungen und 76 Tabellen STUDIUM VIEWEG+ TEUBNER 1 Erste
MehrFault Trees. Überblick. Synonyme für Fehlerbäume. Geschichte Friederike Adler CV 03
Fault Trees Überblick 19.01.2005 Friederike Adler CV 03 2 Geschichte Synonyme für Fehlerbäume entw. vom Japaner Kaoru Ishikawa (1915-1989) während des 2.WK Ishikawa Diagramm Universelle grafische Methode
MehrWechselkurse und Finanzmarkt-Indizes
8. Mai 2008 Inhaltsverzeichnis 1 Wechselkurse Einführung Wechselkurs US Dollar - Deutsche Mark Statistischer Prozess 2 Reinjektion Eigenschaften der Fluktuationen von x(τ) 3 Diffusion auf Finanzmärkten
MehrP (X = 0) = P (X = 2) = 2
Aufgabe 3% Gegeben ist der diskrete Kanal in Abbildung mit ufallsvariable X {,, } am Sender und Y {A, B} am Empf anger. Nehmen Sie an, dass gilt p P (X ) p p P (X ) P (X ) X Y.8. A.5.5 B..8 Abbildung :
MehrWahrscheinlichkeitstheorie
Bruno de Finetti Wahrscheinlichkeitstheorie Einführende Synthese mit kritischem Anhang R. Oldenbourg Verlag Wien München 1981 Inhaltsverzeichnis Vorwort X I II III Einführung 1. Wozu ein neues Buch über
MehrÜberblick. Überblick. Bayessche Entscheidungsregel. A-posteriori-Wahrscheinlichkeit (Beispiel) Wiederholung: Bayes-Klassifikator
Überblick Grundlagen Einführung in die automatische Mustererkennung Grundlagen der Wahrscheinlichkeitsrechnung Klassifikation bei bekannter Wahrscheinlichkeitsverteilung Entscheidungstheorie Bayes-Klassifikator
MehrDiskrete Verteilungen
Diskrete Verteilungen Bernoulli-Verteilung: X Bernoulli(p) Symbol für «verteilt wie» «Eperiment» mit zwei Ausgängen: «Erfolg» ( 1) oder «Misserfolg» ( ). Die Erfolgswahrscheinlichkeit sei p. Wertebereich
MehrFachprüfung. Nachrichtencodierung
Fachprüfung Nachrichtencodierung 6. August 2009 Prüfer: Prof. Dr. P. Pogatzki Bearbeitungszeit: 2 Stunden Hilfsmittel: Taschenrechner, Vorlesungsscript, Übungsaufgaben Name: Vorname: Matr.-Nr.: Unterschrift:
MehrSignale und Systeme II
TECHNISCHE FAKULTÄT DER CHRISTIAN-ALBRECHTS-UNIVERSITÄT ZU KIEL DIGITALE SIGNALVERARBEITUNG UND SYSTEMTHEORIE DSS Signale und Systeme II Modulklausur WS 2016/2017 Prüfer: Prof. Dr.-Ing. Gerhard Schmidt
MehrEinführung in den Forschungsprozess und die Methoden der empirischen Kommunikations- und Medienforschung
Einführung in den Forschungsprozess und die Methoden der empirischen Kommunikations- und Medienforschung Vorlesung 5: Untersuchungsplanung I 09.11.2012 Forschungsprozess und Methoden 4 1 Gliederung Vorlesung
MehrModel Checking I. Lehrstuhl für Software Engineering Friedrich-Alexander-Universität Erlangen-Nürnberg
Model Checking I Yi Zhao Marc Spisländer Lehrstuhl für Software Engineering Friedrich-Alexander-Universität Erlangen-Nürnberg Zhao, Spisländer FAU Erlangen-Nürnberg Model Checking I 1 / 22 1 Inhalt 2 Model
MehrStatistische Sprachmodelle
Universität Potsdam Institut für Informatik Lehrstuhl Maschinelles Lernen Statistische Sprachmodelle Tobias Scheffer Thomas Vanck Statistische Sprachmodelle Welche Sätze sind Elemente einer Sprache (durch
MehrResidualanalyse. Fehlerlokalisierung und prädikative Steuerung. Proseminar - Robert Lorenz
Fakultät für Informatik, Institut für Angewandte Informatik, Professur Technische Informationssysteme Residualanalyse Fehlerlokalisierung und prädikative Steuerung Proseminar - Robert Lorenz Gliederung
MehrZusammenfassung: diskrete und stetige Verteilungen. Woche 4: Gemeinsame Verteilungen. Zusammenfassung: diskrete und stetige Verteilungen
Zusammenfassung: e und e Verteilungen Woche 4: Gemeinsame Verteilungen Wahrscheinlichkeitsverteilung p() Wahrscheinlichkeitsdichte f () WBL 15/17, 11.05.2015 Alain Hauser P(X = k
MehrPuls-Code-Modulation. Thema: PCM. Ziele
Puls-Code-Modulation Ziele Mit diesen rechnerischen und experimentellen Übungen wird die Vorgehensweise zur Abtastung und linearen Quantisierung eines analogen Signals erarbeitet. Bei der Abtastung werden
MehrAnalyse, Modellierung und Simulation der visuell-räumlichen Kognition bei der Mensch-Maschine-Interaktion
Schriftenreihe Rationalisierung und Humanisierung Band 82 Carsten Winkelholz Analyse, Modellierung und Simulation der visuell-räumlichen Kognition bei der Mensch-Maschine-Interaktion D 82 (Diss.RWTH Aachen)
MehrZusammenfassung Mathe II. Themenschwerpunkt 2: Stochastik (ean) 1. Ein- und mehrstufige Zufallsexperimente; Ergebnismengen
Zusammenfassung Mathe II Themenschwerpunkt 2: Stochastik (ean) 1. Ein- und mehrstufige Zufallsexperimente; Ergebnismengen Zufallsexperiment: Ein Vorgang, bei dem mindestens zwei Ereignisse möglich sind
MehrAngewandte Stochastik
Angewandte Stochastik Dr. C.J. Luchsinger 13 Allgemeine Theorie zu Markov-Prozessen (stetige Zeit, diskreter Zustandsraum) Literatur Kapitel 13 * Grimmett & Stirzaker: Kapitel 6.9 Wie am Schluss von Kapitel
MehrKalmanfiter (1) Typische Situation für den Einsatz von Kalman-Filtern
Kalmanfiter (1) Typische Situation für den Einsatz von Kalman-Filtern Vorlesung Robotik SS 016 Kalmanfiter () Kalman-Filter: optimaler rekursiver Datenverarbeitungsalgorithmus optimal hängt vom gewählten
MehrDie Beschreibung von Signalen und Systemen kann in verschiedenen Bereichen erfolgen:
1 Grundlegende Begriffe 1.1 Signale und Systeme ein Signal: ein System: ist ein Satz von Daten setzt Signale in Beziehung Darstellung: Die Beschreibung von Signalen und Systemen kann in verschiedenen Bereichen
MehrGAP - Analyse. Katrin Lindemann & Robert Rduch. Planung 1 Übung GAP-Analyse Katrin Lindemann & Robert Rduch. Folie: 1
GAP - Analyse Katrin Lindemann & Robert Rduch Folie: 1 Gliederung 1. Prognose 1.1. Grundlagen 1.2. Methoden 13 1.3. Einordnung der GAPA GAP-Analyse 2. GAP-Analyse 2.1. Aufgabe & Zweck 2.2. Vorgehensweise
MehrHidden Markov Models
Hidden Markov Models Kursfolien Karin Haenelt 09.05002 1 Letzte Änderung 18.07002 Hidden Markov Models Besondere Form eines probabilistischen endlichen Automaten Weit verbreitet in der statistischen Sprachverarbeitung
MehrHidden Markov Modelle
Hidden Markov Modelle (Vorabversion begleitend zur Vorlesung Spracherkennung und integrierte Dialogsysteme am Lehrstuhl Medieninformatik am Inst. f. Informatik der LMU München, Sommer 2005) Prof. Marcus
MehrEvidenzpropagation in Bayes-Netzen und Markov-Netzen
Einleitung in Bayes-Netzen und Markov-Netzen Thomas Thüm 20. Juni 2006 1/26 Thomas Thüm in Bayes-Netzen und Markov-Netzen Übersicht Einleitung Motivation Einordnung der Begriffe 1 Einleitung Motivation
MehrWahrscheinlichkeitstheorie 2
Wahrscheinlichkeitstheorie 2 Caroline Sporleder Computational Linguistics Universität des Saarlandes Sommersemester 2011 19.05.2011 Caroline Sporleder Wahrscheinlichkeitstheorie 2 (1) Wiederholung (1):
MehrStochastische Prozesse Woche 1. Oliver Dürr. Winterthur, 24 Februar 2015
Stochastische Prozesse Woche 1 Oliver Dürr Institut für Datenanalyse und Prozessdesign Zürcher Hochschule für Angewandte Wissenschaften oliver.duerr@zhaw.ch Winterthur, 24 Februar 2015 1 Kontakt Oliver
MehrVerfahren zur Datenanalyse gemessener Signale
Verfahren zur Datenanalyse gemessener Signale Dr. rer. nat. Axel Hutt Vorlesung 4 zum Übungsblatt Aufgabe 1: sin( (f 3Hz)5s) sin( (f +3Hz)5s) X T (f) 1 i f 3Hz f +3Hz Nullstellen: T=5s: T=1s: f=3hz+2/5s,
MehrBayes-Netze (2) Lehrstuhl für Künstliche Intelligenz Institut für Informatik Friedrich-Alexander-Universität Erlangen-Nürnberg
Bayes-Netze (2) Lehrstuhl für Künstliche Intelligenz Institut für Informatik Friedrich-Alexander-Universität Erlangen-Nürnberg (Lehrstuhl KI) Bayes-Netze (2) 1 / 23 Gliederung 1 Zusammenhang zwischen Graphenstruktur
MehrÜbersicht. Künstliche Intelligenz: 13. Unsicherheiten Frank Puppe 1
Übersicht I Künstliche Intelligenz II Problemlösen III Wissen und Schlußfolgern IV Logisch Handeln V Unsicheres Wissen und Schließen 13. Unsicherheiten 14. Probabilistisches Schließen 15. Probabilistisches
MehrZeitreihenanalyse. Seminar Finanzmathematik. Andreas Dienst SS Einleitung - Begrüßung - Motivation - Inhaltsangabe. 2.
Seminar Finanzmathematik - Begrüßung - Motivation - Inhaltsangabe 3. Zusammen - fassung Zeitreihenanalyse Andreas Dienst SS 2006 Zeitreihen: Definition und Motivation - Begrüßung - Motivation - Inhaltsangabe
MehrEreignisdiskrete Systeme
Ereignisdiskrete Systeme Modeliierung und Steuerung verteilter Systeme von Prof Dr.-Ing. Fernando Puente Le6n Prof. Dr.-Ing. Uwe Kiencke 3-, vollständig überarbeitete und ergänzte Auflage OldenbourgVerlag
MehrBedingte Wahrscheinlichkeiten
Bedingte Wahrscheinlichkeiten Bei der Betrachtung der Ereignisse A und B eines Zufallsexperiments muss man die beiden im folgendem beschrieben zwei Situationen unterscheiden. 1. Das Ereignis A und B tritt
MehrDiskrete Verteilungen
Diskrete Verteilungen Bernoulli-Verteilung: X Bernoulli( ) Symbol für «verteilt wie» «Eperiment» mit zwei Ausgängen: «Erfolg» (X 1) oder «Misserfolg» (X ). Die Erfolgswahrscheinlichkeit sei. Wertebereich:
MehrWS 2009/10. Diskrete Strukturen
WS 2009/10 Diskrete Strukturen Prof. Dr. J. Esparza Lehrstuhl für Grundlagen der Softwarezuverlässigkeit und theoretische Informatik Fakultät für Informatik Technische Universität München http://www7.in.tum.de/um/courses/ds/ws0910
MehrDigitale Audiokodierung mit MP3, Varianten und Anwendungsgebiete
Fakultät Informatik, Institut für Technische Informatik, Professur für VLSI-Entwurfssysteme, Diagnostik und Architektur Digitale Audiokodierung mit MP3, Varianten und Anwendungsgebiete Dirk Schulze Dresden,
MehrStatistik II: Grundlagen und Definitionen der Statistik
Medien Institut : Grundlagen und Definitionen der Statistik Dr. Andreas Vlašić Medien Institut (0621) 52 67 44 vlasic@medien-institut.de Gliederung 1. Hintergrund: Entstehung der Statistik 2. Grundlagen
MehrWS 2013/14. Diskrete Strukturen
WS 2013/14 Diskrete Strukturen Prof. Dr. J. Esparza Lehrstuhl für Grundlagen der Softwarezuverlässigkeit und theoretische Informatik Fakultät für Informatik Technische Universität München http://www7.in.tum.de/um/courses/ds/ws1314
Mehrauf einer Suche basierender problemlösender Agent (Kapitel 3) logischer Planungsagent (Kapitel 10)
11 Planen Zentrale Fragestellung: Wie kann ein Agent die Struktur eines Problems nutzen, um komplexe Aktionspläne zu konstruieren? Bisher zwei Beispiele für planende Agenten: auf einer Suche basierender
MehrTeil 3: Induktive Statistik -Verbindung von Empirie und Theorie
Teil 3: Induktive Statistik -Verbindung von Empirie und Theorie 613 9 Einführung in die induktive Statistik 614 9 Einführung in die induktive Statistik 9.1 Modellierung und Handhabung von Schätz- und Testproblemen
MehrÜbung 12: Bestimmung des Frequenzganges
Übung Signale und Systeme Sommersemester Übung :Frequenzgang 5. Juli Übung : Bestimmung des Frequenzganges. Gegeben sei die Übertragungsfunktion eines diskreten Systems: (z ρe jα )(z σe jβ ) (a) Legen
Mehr1.4 Zufallsvariablen und ihre Verteilung
1.4.1 Diskrete Zufallsvariablen Ein Zufallsexperiment wird beschrieben durch einen Grundraum Ω und eine Wahrscheinlichkeit P auf Ω. Häufig interessieren nicht die Ergebnisse an sich, sondern bestimmte
MehrKapitel 3 Ereignisdiskrete Systeme (II)
Modellierung und Simulation mechatronischer Systeme Kaitel Ereignisdisrete Systeme II Modellierung mit autonomen Automaten Deterministische Automaten Bei den bisher betrachteten Beisielen handelte es sich
MehrStandardisierte kompetenzorientierte schriftliche Reifeprüfung AHS. 10. Mai Mathematik. Teil-2-Aufgaben. Korrekturheft. öffentliches Dokument
Standardisierte kompetenzorientierte schriftliche Reifeprüfung AHS 10. Mai 2016 Mathematik Teil-2-Aufgaben Korrekturheft Aufgabe 1 Intercity-Express (ICE) mittlere Änderungsrate: 0,131 m/s 2 möglicher
MehrDiskrete Strukturen Kapitel 1: Einleitung
WS 2015/16 Diskrete Strukturen Kapitel 1: Einleitung Hans-Joachim Bungartz Lehrstuhl für wissenschaftliches Rechnen Fakultät für Informatik Technische Universität München http://www5.in.tum.de/wiki/index.php/diskrete_strukturen_-_winter_15
Mehrẋ = αx(t) + βx(t τ) (1.3) 1.1 DDE als diskrete Abbildung x(t + h) = x(t) + hẋ(t) (1.2)
1 Lyapunovspektrum Wir wollen im folgenden Kapitel das Lyapunovspektrum am Beispiel der einfachsten retardierten Dierentialgleichung (Dierential Delay Equation) betrachten: ẋ(t) = αx(t) + βx(t τ) (11)
MehrInstitut für Biometrie und klinische Forschung. WiSe 2012/2013
Klinische Forschung WWU Münster Pflichtvorlesung zum Querschnittsfach Epidemiologie, Biometrie und Med. Informatik Praktikum der Medizinischen Biometrie (3) Überblick. Deskriptive Statistik I 2. Deskriptive
MehrSemester-Fahrplan 1 / 17
Semester-Fahrplan 1 / 17 Hydroinformatik I Einführung in die Hydrologische Modellierung Bayes sches Netz Olaf Kolditz *Helmholtz Centre for Environmental Research UFZ 1 Technische Universität Dresden TUDD
MehrSystemanalyse und Modellbildung
Systemanalyse und Modellbildung Universität Koblenz-Landau Fachbereich 7: Natur- und Umweltwissenschaften Institut für Umweltwissenschaften Dr. Horst Niemes(Lehrbeauftragter) Systemanalyse und Modellbildung
MehrDrehzahlregler für Wechselstrommotoren Asynchronmotoren
Drehzahlregler für Wechselstrommotoren Asynchronmotoren ADR 40 ADR40 DP ADR 40 ADR 40 DP Regelung druck- oder temperaturabhängig Druckregelung 0-50 bar für alle Kältemittel Temperaturregelung -20 bis +100
MehrKapitel 2 Ereignisdiskrete Systeme (II)
Systemmodellierung Teil : Ereignisdisrete Systeme Kaitel 2 Ereignisdisrete Systeme II Modellierung mit autonomen Automaten Deterministische Automaten SM Bei den bisher betrachteten Beisielen handelte es
MehrVorläufiger schulinterner Lehrplan zum Kernlehrplan für die gymnasiale Oberstufe. Mathematik
Vorläufiger schulinterner Lehrplan zum Kernlehrplan für die gymnasiale Oberstufe Mathematik 2.1.1 ÜBERSICHTSRASTER UNTERRICHTSVORHABEN EINFÜHRUNGSPHASE Unterrichtsvorhaben I: Unterrichtsvorhaben II: Beschreibung
MehrNumerische Methoden und Algorithmen in der Physik
Numerische Methoden und Algorithmen in der Physik Hartmut Stadie, Christian Autermann 15.01.2009 Numerische Methoden und Algorithmen in der Physik Christian Autermann 1/ 47 Methode der kleinsten Quadrate
Mehr1 Grundprinzipien statistischer Schlußweisen
Grundprinzipien statistischer Schlußweisen - - Grundprinzipien statistischer Schlußweisen Für die Analyse zufallsbehafteter Eingabegrößen und Leistungsparameter in diskreten Systemen durch Computersimulation
MehrIn einem mathematischen Modell wird dies beschrieben durch einen funktionalen Zusammenhang: x = f (t).
Aktueller Überblick 0 Einführende Worte ( ) 1 Geschichtlicher Überblick ( ) 2 Zufall 3 Perfekte Sicherheit und ihre Grenzen 4 Angriffsszenarien 5 Der komplexitätstheoretische Ansatz 6 Pseudozufallsgeneratoren
MehrVorlesung Regelungstechnik SoSe 2019 PO2008, PO2015, weitere. Univ.-Prof. Dr.-Ing. Dirk Söffker. Ort: MD 162/MC 122 Zeit: Freitag,
Vorlesung Regelungstechnik SoSe 2019 PO2008, PO2015, weitere Univ.-Prof. Dr.-Ing. Ort: MD 162/MC 122 Zeit: Freitag, 16.00 19.00 Uhr Betreuender wiss. Mitarbeiter: Mark Spiller, M.Sc. www.uni-due.de/srs/v-rt.shtml
MehrSignale und Systeme Reaktion linearer Systeme auf stationäre stochastische Signale
Signale und Systeme Reaktion linearer Systeme auf stationäre stochastische Signale Gerhard Schmidt Christian-Albrechts-Universität zu Kiel Technische Faculty of Engineering Fakultät Elektrotechnik Institute
MehrQualifikationsphase (Q2) Grundkurs
Qualifikationsphase (Q2) Grundkurs Unterrichtsvorhaben I Thema: Von stochastischen Modellen, Zufallsgrößen, Wahrscheinlichkeitsverteilungen und ihren Kenngrößen (Q2-GK-S1) Inhaltlicher Schwerpunkt: Kenngrößen
MehrDatenanalyse. (PHY231) Herbstsemester Olaf Steinkamp
Datenanalyse (PHY31) Herbstsemester 015 Olaf Steinkamp 36-J- olafs@physik.uzh.ch 044 63 55763 Einführung, Messunsicherheiten, Darstellung von Messdaten Grundbegriffe der Wahrscheinlichkeitsrechnung und
MehrStatistik, Datenanalyse und Simulation
Dr. Michael O. Distler distler@kph.uni-mainz.de Mainz, 24. Oktober 2007 1. Statistik Wir denken an Experimente, bei deren Durchführung die Variable X, um die es dabei geht, verschiedene Werte annehmen
MehrVorlesung 9b. Bedingte Wahrscheinlichkeiten und bedingte Erwartungswerte
Vorlesung 9b Bedingte Wahrscheinlichkeiten und bedingte Erwartungswerte 1 Definition. Seien E 1, E 2 Ereignisse. Dann ist die bedingte Wahrscheinlichkeit von E 2, gegeben E 1, definiert als P(E 2 E 1 )
MehrLösungsskizzen zur Präsenzübung 09
Lösungsskizzen zur Präsenzübung 09 Hilfestellung zur Vorlesung Anwendungen der Mathematik im Wintersemester 2015/2016 Fakultät für Mathematik Universität Bielefeld Veröffentlicht am 07. Februar 2016 von:
MehrAutomatisierungstechnik
Automatisierungstechnik Methoden für die Überwachung und Steuerung kontinuierlicher und ereignisdiskreter Systeme von Jan Lunze mit 401 Abbildungen, 74 Anwendungsbeispielen und 84 Übungsaufgaben Oldenbourg
MehrAufgabe 1 (Klassifizierung von Systemen)
Prof. L. Guzzella Prof. R. D Andrea 151-0591-00 Regelungstechnik I (HS 07) Musterlösung Übung 3 Systemklassifizierung, Systeme 1. Ordnung im Zeitbereich, Stabilitätsanalyse moritz.oetiker@imrt.mavt.ethz.ch,
Mehr