Praktikum Computational Intelligence 2 Ulrich Lehmann, Johannes Brenig, Michael Schneider
|
|
- Daniel Hofmann
- vor 7 Jahren
- Abrufe
Transkript
1 Praktikum Computational Intelligence 2 Ulrich Lehmann, Johannes Brenig, Michael Schneider Versuch: Approximation einer Kennlinie mit einem Künstlich Neuronalen Netz (KNN) in MATLAB _CI2_Deckblatt_Kennlinie_Matlab_Schn2.doc
2
3 Inhaltsverzeichnis Inhaltsverzeichnis V Approximation einer Kennlinie mit einem KNN in MATLAB (m-file)...v-3 V.1 Versuchsanleitung...V-3 V.1.1 Lernziele... V-3 V.1.2 Grundlagen... V-3 V.1.3 Aufgabe 1... V-4 V.1.4 Aufgabe 2... V-5 V.1.5 Aufgabe 3... V-5 V.1.6 Aufgabe 4... V-6 V.1.7 Aufgabe 5... V-6 V.2 Online-Anleitung...V-7 V.2.1 Approximation einer Kennlinie mit einem KNN in MATLAB (graphische Oberfläche)... V-7 Glossar... V-18 Abbildungsverzeichnis... V-19 Sachwortverzeichnis... V-20 Literaturverzeichnis... V-21 V-3
4 Inhaltsverzeichnis V-4
5 V.1 Versuchsanleitung V Approximation einer Kennlinie mit einem KNN in MATLAB (m-file) V.1 Versuchsanleitung V.1.1 Lernziele Datenimport von Excel in MATLAB Aufbau und Training eines KNNs zur Approximation einer unbekannten Kennlinie aus der Praxis Auswertung der Ergebnisse Darstellung (Visualisierung) der Ergebnisse durch Erzeugung eines Simulink Models V.1.2 Grundlagen Ein großes Anwendungsgebiet für Künstliche Neuronale Netze (KNN) ist das Erlernen von nichtlinearem Verhalten. Ein Beispiel dafür ist das statische Verhalten eines technischen Systems, das in diesem Versuch untersucht werden soll. Das Verhalten ist gegeben durch eine Kennlinie Ua = f(ue), die nicht durch eine mathematische Funktion beschrieben werden kann. Aus diesem Grund versucht man das Verhalten durch ein KNN abzubilden. Das KNN soll nach dem Training in der Lage sein aus den vorgegeben Inputwerten die Outputwerte zu berechnen ohne dass eine mathematische Modellierung des Systems erforderlich ist. Um solche Aufgabenstellungen zu lösen, verwendet man Multilayer- Perzeptron-Netze (MLP), die je nach Komplexität der Kennlinie ein oder mehrere Hiddenlayer aufweisen. Um das nichtlineare Verhalten der Kennlinie zu lernen, müssen die Hiddenlayer mit einer sigmoiden Funktion aktiviert werden. Für die Eingabe- und Ausgabeschicht wird in der Regel als Aktivierungsfunktion die Identität verwendet. V-3
6 V Approximation einer Kennlinie mit einem KNN in MATLAB (m-file) V.1.3 Aufgabe 1 Diese Kennlinie stellt den mathematisch unbekannten Zusammenhang zwischen der Eingangsspannung Ue und der Ausgangsspannung Ua dar. Abbildung V.1: Kennlinie Lichtregelung Die vorgegebenen 20 Messwerte müssen zur Verwendung in MAT- LAB zuerst normiert werden. Da das KNN mit der logistischen Funktion aktiviert werden soll, müssten die Datensätze in einem Intervall von [0 1] liegen. Anschließend müssen die 20 vorhandenen Datensätze in Trainings-, Validierungs- und Testdatensätze aufgeteilt werden. Durchführung des Praktikums: 1. Laden Sie aus dem Intranet von der Downloadseite Lehmann/Download/Computational Intelligence 2 - Praktikum die Exceldatei: Kennlinie_Lichtregelung.xls 2. Normieren Sie die Daten in Matlab. Hinweise Zum Datenimport stehen zwei Möglichkeiten zur Verfügung. Die Import Data Funktion des Workspace und zum anderen stellt MAT- V-4
7 V.1 Versuchsanleitung LAB Funktionen zur Verfügung, mit denen direkt Daten aus Excel- Dateien geladen werden können. 3. Aufteilung der Datensätze in einem Verhältnis von 70-85% für das Training, 10-20% zur Validierung und 5-10% der Daten zum Testen des Netzes 4. Aus den Datensätzen sollen die entsprechenden Pattern Dateien für Training, Validierung und Test erzeugt werden. Bitte speichern Sie Ihre Ergebnisse in Dateien mit mnemonischem Namen (z.b. kennlinie_v5_a1_autor1) auf einem Speichermedium Ihrer Wahl (z.b. USB-Stick, Server, etc.). V.1.4 Aufgabe 2 Erstellen Sie in Künstliches Neuronales Netz (KNN). Programmieren Sie sich dazu einen m-file. Hinweise Die Neuronen des KNNs sollten sigmoid aktiviert werden. Die Architektur des Netzes sollte wie folgt aussehen. Ein Input-Neuron, zum Beispiel vier Neuronen im Hiddenlayer und ein Output-Neuron. Dabei ist darauf zu achten, dass bei der Anzahl der Layer der Inputlayer in MATLAB nicht mitgezählt wird. Durchführung des Praktikums 1. Nutzen Sie dafür Hilfsblatt 1 und 2! Bitte speichern Sie Ihre Ergebnisse in Dateien mit mnemonischem Namen (z.b. kennlinie_v5_a2_autor1) auf einem Speichermedium Ihrer Wahl (z.b. USB-Stick, Server, etc.). V.1.5 Aufgabe 3 Das in Aufgabe 2 erzeugte KNN soll jetzt trainiert werden, sodass das Verhalten der Kennlinie gelernt wird. Anschließend soll das Ergebnis des trainierten KNNs ausgewertet werden. Durchführung des Praktikums 1. Nutzen Sie dafür Hilfsblatt 1 und 2! Bitte speichern Sie Ihre Ergebnisse in Dateien mit mnemonischem Namen (z.b. kennlinie_v5_a2_autor1) auf einem Speichermedium Ihrer Wahl (z.b. USB-Stick, Server, etc.). V-5
8 V Approximation einer Kennlinie mit einem KNN in MATLAB (m-file) Hinweise Alternativ kann die Auswertung der Daten auch in Excel erfolgen. Zum Datenexport bietet MATLAB die Möglichkeit mit xlswrite direkt in Excel-Tabellen zu schreiben. Dabei ist es möglich, direkt die Zeilen und Spalten anzugeben, in die geschrieben werden soll. V.1.6 Aufgabe 4 Bewerten Sie Ihr Ergebnis und führen Sie evtl. weitere Trainings mit unterschiedlichen Parametern durch. Verändern Sie die Architektur, Lernrate, Trainingsverfahren, etc. Dokumentieren und vergleichen Sie die Ergebnisse. Durchführung des Praktikums 1. Nutzen Sie dafür Hilfsblatt 1 und 2! Bitte speichern Sie Ihre Ergebnisse in Dateien mit mnemonischem Namen (z.b. kennlinie_v5_a2_autor1) auf einem Speichermedium Ihrer Wahl (z.b. USB-Stick, Server, etc.). V.1.7 Aufgabe 5 Verwenden Sie jetzt den Datensatz mit den Ausreißerdaten und führen Sie das Training erneut durch. Vergleichen und bewerten Sie das Ergebnis. Durchführung des Praktikums 1. Nutzen Sie dafür Hilfsblatt 1 und 2! Bitte speichern Sie Ihre Ergebnisse in Dateien mit mnemonischem Namen (z.b. kennlinie_v5_a2_autor1) auf einem Speichermedium Ihrer Wahl (z.b. USB-Stick, Server, etc.). V-6
9 V.2 Online-Anleitung V.2 Online-Anleitung V.2.1 Approximation einer Kennlinie mit einem KNN in MATLAB (graphische Oberfläche) Im Folgenden sind die PPT-Folien, die für die Anleitung der Studierenden im Praktikum während der Veranstaltung gezeigt werden. Die aktuelle Version der PPT-Folien mit Notizen ist im Intranet unter Lehmann/Download/Computational Intelligence 2-Praktikum zu finden. V-7
10 V Approximation einer Kennlinie mit einem KNN in MATLAB (m-file) V-8
11 V.2 Online-Anleitung V-9
12 V Approximation einer Kennlinie mit einem KNN in MATLAB (m-file) V-10
13 V.2 Online-Anleitung V-11
14 V Approximation einer Kennlinie mit einem KNN in MATLAB (m-file) V-12
15 V.2 Online-Anleitung V-13
16 V Approximation einer Kennlinie mit einem KNN in MATLAB (m-file) V-14
17 V.2 Online-Anleitung V-15
18 V Approximation einer Kennlinie mit einem KNN in MATLAB (m-file) V-16
19 V.2 Online-Anleitung V-17
20 Glossar Glossar nntool Das Kommando >> nntool öffnet das Fenster Network/Data Manager. Über dieses Fenster können Neuronale Netze und Daten importiert, erstellt, benutzt und exportiert werden. trainlm Der Levenberg-Marquardt-Trainingsalgorithmus für KNN (trainlm) zeichnet sich durch eine stufenlose Interpolation zwischen dem Gradientenverfahren aus, welches sich durch eine gute Konvergenz fernab vom Minimum auszeichnet, und dem Verfahren der quadratischen Minimierung, welches besonders in der Nähe des Minimums geeignet ist. Das Konvergenzverhalten ist sehr gut, d. h. nach einer kurzen Epochenanzahl ist der mittlere quadratische Fehler des Trainings meist schon sehr klein. Der Levenberg-Marquardt- Trainingsalgorithmus stößt jedoch bei einer größeren Architektur des Künstlich Neuronalen Netzes und Trainingsdatenmenge auf einem Standard-PC an seine Grenzen, da er sehr speicherintensiv ist. Extrapolation: Unter Extrapolation versteht man die Bestimmung eines Verhaltens über den bisher bekannten Arbeitsbereich hinaus. Backpropagation: Der Backpropagation-Algorithmus ist ein Optimierungsalgorithmus für die Gewichte in einem Feed-Forward Netz. Anmerkung: Mit der Veränderung der Gewichte wird in der Ausgabeschicht begonnen und in der Eingabeschicht beendet. Es handelt sich um ein Lernverfahren für MLP, das auf einem Gradientenabstiegsverfahren beruht Rampe: In Simulink ist eine Rampe ein Block, dessen Ausgabesignal kontinuierlich ansteigt. V-18
21 Abbildungsverzeichnis Abbildungsverzeichnis Abbildung V.1: Kennlinie Lichtregelung... V-4 V-19
22 Sachwortverzeichnis Sachwortverzeichnis Backpropagation... V-5, V-18 Extrapolation... V-4, V-18 Feed-Forward Netz... V-18 Hiddenlayer... V-5 Inputlayer... V-5 KNN...V-3, V-4, V-5, V-6, V-7, V-18 Künstlich Neuronales Netz... V-3 Levenberg-Marquardt-Trainingsalgorithmus... V-18 Lookup-Table... V-6 MATLAB...V-3, V-4, V-5, V-7, V-21 MLP... V-18 nntool... V-5, V-18 Optimierungsalgorithmus... V-18 Rampe... V-6, V-18 Simulink... V-3, V-6, V-18 trainlm... V-18 V-20
23 Literaturverzeichnis Literaturverzeichnis MATLAB-Hilfe A. Zell: Simulation neuronaler Netze, 1994 U. Lehmann: Vorlesungsskript S. Haykin: Neural Networks: A Comprehensive Foundation. Prentice Hall; 2nd edition, 1998 VDI/VDE 3550 Blatt 1: Computational Intelligence, Künstlich Neuronale Netze in der Automatisierungstechnik; Begriffe und Definitionen; September 2001 V-21
Praktikum Computational Intelligence 2 Ulrich Lehmann, Johannes Brenig, Michael Schneider
Praktikum Computational Intelligence 2 Ulrich Lehmann, Johannes Brenig, Michael Schneider Versuch: Training eines Künstlich Neuronalen Netzes (KNN) zur Approximation einer Kennlinie in JavaNNS 28.01.2008
MehrPraktikum Computational Intelligence 2 Ulrich Lehmann, Johannes Brenig, Michael Schneider
Praktikum Computational Intelligence 2 Ulrich Lehmann, Johannes Brenig, Michael Schneider Versuch: Künstlich Neuronales Netz (KNN) zur Modellierung der magnetischen Flussdichte 28.01.2008 6_CI2_Deckblatt_Kugel_Matlab_2.doc
MehrPraktikum Computational Intelligence 2 Ulrich Lehmann, Johannes Brenig, Michael Schneider
Praktikum Computational Intelligence 2 Ulrich Lehmann, Johannes Brenig, Michael Schneider Versuch: Training des XOR-Problems mit einem Künstlichen Neuronalen Netz (KNN) in JavaNNS 11.04.2011 2_CI2_Deckblatt_XORbinaer_JNNS_2
MehrNeuronale Netze, Fuzzy Control, Genetische Algorithmen. Prof. Jürgen Sauer. 5. Aufgabenblatt: Neural Network Toolbox 1
Neuronale Netze, Fuzzy Control, Genetische Algorithmen Prof. Jürgen Sauer 5. Aufgabenblatt: Neural Network Toolbox 1 A. Mit Hilfe der GUI vom Neural Network erstelle die in den folgenden Aufgaben geforderten
MehrStrommarktoptimierter Betrieb eines Stromspeichers
Strommarktoptimierter Betrieb eines Stromspeichers 1. Einleitung 2. Definition eines Strommarktes 3. Definition von Stromspeichern 4. Analyse der Ergebnisse 5. Anhang: Datenimport aus einer Tabelle in
MehrNeuronale Netze Aufgaben 3
Neuronale Netze Aufgaben 3 martin.loesch@kit.edu (0721) 608 45944 MLNN IN FLOOD3 2 Multi Layer Neural Network (MLNN) Netzaufbau: mehrere versteckte (innere) Schichten Lernverfahren: Backpropagation-Algorithmus
MehrKonzepte der AI Neuronale Netze
Konzepte der AI Neuronale Netze Franz Wotawa Institut für Informationssysteme, Database and Artificial Intelligence Group, Technische Universität Wien Email: wotawa@dbai.tuwien.ac.at Was sind Neuronale
MehrKünstliche Neuronale Netze
Inhalt (Biologische) Neuronale Netze Schwellenwertelemente Allgemein Neuronale Netze Mehrschichtiges Perzeptron Weitere Arten Neuronaler Netze 2 Neuronale Netze Bestehend aus vielen Neuronen(menschliches
Mehrkurze Wiederholung der letzten Stunde: Neuronale Netze Dipl.-Inform. Martin Lösch (0721) Dipl.-Inform.
kurze Wiederholung der letzten Stunde: Neuronale Netze martin.loesch@kit.edu (0721) 608 45944 Labor Wissensrepräsentation Aufgaben der letzten Stunde Übersicht Neuronale Netze Motivation Perzeptron Multilayer
Mehr6.2 Feed-Forward Netze
6.2 Feed-Forward Netze Wir haben gesehen, dass wir mit neuronalen Netzen bestehend aus einer oder mehreren Schichten von Perzeptren beispielsweise logische Funktionen darstellen können Nun betrachten wir
MehrHISQIS Modul POS Benutzergruppe Prüfer
HISQIS Modul POS Benutzergruppe Prüfer Einleitung QIS steht für: Qualitätssteigerung der Hochschulen im Internet durch Selbstbedienung Das QIS Modul POS (oder kurz QISPOS) ist das Internet-Frontend der
MehrEinführung in Neuronale Netze
Wintersemester 2005/2006 VO 181.138 Einführung in die Artificial Intelligence Einführung in Neuronale Netze Oliver Frölich Abteilung für Datenbanken und Artificial Intelligence Institut für Informationssysteme
MehrNeuronale Netze - Auswertung
Analytisch-chemisches Praktikum 1/5 Neuronale Netze - Auswertung (Analytisch-chemisches Praktikum) Für das Beispiel sollten mindestens 20 Standardlösungen hergestellt und mittels Photometer gemessen werden(siehe
MehrWeitere Untersuchungen hinsichtlich der Anwendung von KNN für Solvency 2. Tom Schelthoff
Weitere Untersuchungen hinsichtlich der Anwendung von KNN für Solvency 2 Tom Schelthoff 30.11.2018 Inhaltsverzeichnis Deep Learning Seed-Stabilität Regularisierung Early Stopping Dropout Batch Normalization
MehrNeuronale Netze. Anna Wallner. 15. Mai 2007
5. Mai 2007 Inhalt : Motivation Grundlagen Beispiel: XOR Netze mit einer verdeckten Schicht Anpassung des Netzes mit Backpropagation Probleme Beispiel: Klassifikation handgeschriebener Ziffern Rekurrente
MehrStatistik mit Tabellenkalkulation
Tabellenkalkulation 1. Grundlagen Wir werden statistische Daten am Computer mit einem Tabellenkalkulationsprogramm bearbeiten. Dazu sind einige grundlegende Kenntnisse nötig. Ein neues Dokument einer Tabellenkalkulation
MehrAufbau der Eigenimplementierung
Table of contents 1 2 Aufbau... 2 1.1 Feed Forward Netze...3 1.2 Self Organizing Maps... 5 Training... 6 2.1 Feed Forward Netze...7 2.2 Self Organizing Maps... 8 Nachdem wir uns entschlossen hatten, keine
MehrHannah Wester Juan Jose Gonzalez
Neuronale Netze Supervised Learning Proseminar Kognitive Robotik (SS12) Hannah Wester Juan Jose Gonzalez Kurze Einführung Warum braucht man Neuronale Netze und insbesondere Supervised Learning? Das Perzeptron
MehrNeuronale. Netze. Henrik Voigt. Neuronale. Netze in der Biologie Aufbau Funktion. Neuronale. Aufbau Netzarten und Topologien
in der Seminar Literaturarbeit und Präsentation 17.01.2019 in der Was können leisten und was nicht? Entschlüsseln von Texten??? Bilderkennung??? in der in der Quelle: justetf.com Quelle: zeit.de Spracherkennung???
MehrKünstliche Neuronale Netze (KNN)
Künstliche Neuronale Netze (KNN) Die von Neuronalen Netzen ausgehende Faszination besteht darin, dass sie in der Lage sind, in einigen Fällen Probleme von hoher Kompleität mit einfachen Mitteln zu lösen.
MehrPraktische Optimierung
Wintersemester 27/8 Praktische Optimierung (Vorlesung) Prof. Dr. Günter Rudolph Fakultät für Informatik Lehrstuhl für Algorithm Engineering Metamodellierung Inhalt Multilayer-Perceptron (MLP) Radiale Basisfunktionsnetze
MehrNeuronale Netze. Christian Böhm.
Ludwig Maximilians Universität München Institut für Informatik Forschungsgruppe Data Mining in der Medizin Neuronale Netze Christian Böhm http://dmm.dbs.ifi.lmu.de/dbs 1 Lehrbuch zur Vorlesung Lehrbuch
MehrMULTILAYER-PERZEPTRON
Einleitung MULTILAYER-PERZEPTRON Die Ausarbeitung befasst sich mit den Grundlagen von Multilayer-Perzeptronen, gibt ein Beispiel für deren Anwendung und zeigt eine Möglichkeit auf, sie zu trainieren. Dabei
MehrEinführung in die Neuroinformatik Lösungen zum 5. Aufgabenblatt
Einführung in die Neuroinformatik Lösungen zum 5. Aufgabenblatt 7. Aufgabe : Summe {} Man sieht leicht ein, dass ein einzelnes Perzeptron mit Gewichten c, c 2, c 3 und Schwelle θ das Problem nicht lösen
MehrExport bibliografischer Daten aus der FIS Bildung Literaturdatenbank und Import in die Endnote Literaturverwaltung
1 Export bibliografischer Daten aus der FIS Bildung Literaturdatenbank und Import in die Endnote Literaturverwaltung - Eine Anleitung in 10 Schritten mit Illustrationen - Einführung: Wenn Sie Daten aus
MehrBeispiel des Zusammenführens der APV- Tabellen Stammdaten und Verlaufsdaten mithilfe von Access
Beispiel des Zusammenführens der APV- Tabellen Stammdaten und Verlaufsdaten mithilfe von Access Diese Übersicht stellt die Zusammenführung der APV Tabellen Stammdaten und Verlaufdaten mithilfe der Datenbank
MehrSage Start Kunden, Lieferanten, Artikel erstellen / importieren Anleitung. Ab Version 2015 09.10.2015
Sage Start Kunden, Lieferanten, Artikel erstellen / importieren Anleitung Ab Version 2015 09.10.2015 Inhaltsverzeichnis 1.0 Kunden manuell erfassen 3 2.0 Kunden importieren 5 3.0 Lieferanten manuell erfassen
MehrGesichtserkennung mit MemBrain. - GIMP starten (ggf. eignen sich auch andere Programme dazu) und ein einzelnes Foto der Trainingsdaten
Gesichtserkennung mit MemBrain A. Daten erheben 1. Eure Gruppe erhält einen Ordner mit den Trainingsdaten (9 Bilder von insgesamt 3 Personen) und einen Ordner mit den Testdaten (3 Bilder von insgesamt
MehrE-Mail-Abwesenheitsnachricht einrichten
E-Mail-Abwesenheitsnachricht einrichten Inhalt 1. Abwesenheitsnachricht erstellen... 2 1.1. Textbaustein... 2 1.2. E-Mail-Nachricht... 4 2. Filter für die automatische Benachrichtigung erstellen... 5 2.1.
MehrEinführung in neuronale Netze
Einführung in neuronale Netze Florian Wenzel Neurorobotik Institut für Informatik Humboldt-Universität zu Berlin 1. Mai 2012 1 / 20 Überblick 1 Motivation 2 Das Neuron 3 Aufbau des Netzes 4 Neuronale Netze
MehrWir haben in den vorherigen Kapiteln verschiedene Verfahren zur Regression und Klassifikation kennengelernt (z.b. lineare Regression, SVMs)
6. Neuronale Netze Motivation Wir haben in den vorherigen Kapiteln verschiedene Verfahren zur Regression und Klassifikation kennengelernt (z.b. lineare Regression, SVMs) Abstrakt betrachtet sind alle diese
MehrKünstliche Neuronale Netze
Fakultät Informatik, Institut für Technische Informatik, Professur für VLSI-Entwurfssysteme, Diagnostik und Architektur Künstliche Neuronale Netze Hauptseminar Martin Knöfel Dresden, 16.11.2017 Gliederung
MehrSchaltungssimulator Lastenheft
SEP Wintersemester 2011/12 Schaltungssimulator Lastenheft Peter Barth, Andreas Gleißner, Sergiy Kolesnikov, Alexander von Rhein und Philipp Wendler 1 Eine kurze Bemerkung vorab Dies ist Euer Praktikum.
MehrKapitel 1: Deskriptive Statistik
Kapitel 1: Deskriptive Statistik Grafiken Mit Hilfe von SPSS lassen sich eine Vielzahl unterschiedlicher Grafiken für unterschiedliche Zwecke erstellen. Wir besprechen hier die zwei in Kapitel 1.1 thematisierten
MehrKünstliche neuronale Netze
Künstliche neuronale Netze Eigenschaften neuronaler Netze: hohe Arbeitsgeschwindigkeit durch Parallelität, Funktionsfähigkeit auch nach Ausfall von Teilen des Netzes, Lernfähigkeit, Möglichkeit zur Generalisierung
MehrMann-Whitney-U-Test: Tiefenstufen
Mann-Whitney-U-Test: Tiefenstufen Variable Al Ca Cl DOC Fe K Mg Mn Na NO3 ph Si SO4 El. Leitfähigkeit Mann-Whitney U-Test (Piezometer.sta) Nach Var.: Tiefe Markierte Tests signifikant ab p
MehrIngenieurinformatik Teil 2 (Numerik für Ingenieure)
Hochschule München, FK 03 WS 2014/15 Ingenieurinformatik Teil 2 (Numerik für Ingenieure) Zulassung geprüft: Die Prüfung ist nur dann gültig, wenn Sie die erforderliche Zulassungsvoraussetzung erworben
MehrWas bisher geschah Künstliche Neuronen: Mathematisches Modell und Funktionen: Eingabe-, Aktivierungs- Ausgabefunktion Boolesche oder reelle Ein-und
Was bisher geschah Künstliche Neuronen: Mathematisches Modell und Funktionen: Eingabe-, Aktivierungs- Ausgabefunktion Boolesche oder reelle Ein-und Ausgaben Aktivierungsfunktionen: Schwellwertfunktion
MehrLCD-Verwaltungssoftware LCD-VSW
Mit der LCD Verwaltungssoftware können die Textinformationen für die verschiedenen Anzeigen z. B. LCD UP, Tableaubaustein EB, Busch-triton erstellt Innerhalb eines Projektes können mehrere LCDs verwendet
MehrTerminplanungstool Foodle
VERSION: 1.0 STATUS: fertiggestellt VERTRAULICHKEIT: öffentlich STAND: 14.04.2015 INHALTSVERZEICHNIS 1 ALLGEMEINE INFORMATIONEN... 3 2 TERMINPLAN ERSTELLEN... 4 2.1 Terminplan beschreiben... 5 2.2 Termine
MehrPerzeptronen. Katrin Dust, Felix Oppermann Universität Oldenburg, FK II - Department für Informatik Vortrag im Rahmen des Proseminars 2004
Perzeptronen Katrin Dust, Felix Oppermann Universität Oldenburg, FK II - Department für Informatik Vortrag im Rahmen des Proseminars 2004 1/25 Gliederung Vorbilder Neuron McCulloch-Pitts-Netze Perzeptron
MehrKurzbeschreibung. Kassenbuch für Microsoft Excel Version 1.70
Seite 1 Kurzbeschreibung Kassenbuch für Microsoft Excel Version 1.70 I N H A L T S V E R Z E I C H N I S 1. Allgemein...2 1.1. Öffnen der Datei...2 1.2. Menüleiste...2 1.3. Stammdaten...3 2. Datenerfassung...4
MehrMathematische Funktionen
Mathematische Funktionen Viele Schüler können sich unter diesem Phänomen überhaupt nichts vorstellen, und da zusätzlich mit Buchstaben gerechnet wird, erzeugt es eher sogar Horror. Das ist jedoch gar nicht
MehrINHALTSVERZEICHNIS. Einleitung Allgemeines
Einleitung Allgemeines INHALTSVERZEICHNIS 1 Einleitung...3 1.1 Allgemeines...3 2 Arbeiten mit der Massenermittlung...4 2.1 Die Oberfläche...5 2.2 Einstellungen...6 2.3 Darstellung...6 2.3.1 Bauteile in
MehrNewsletter erstellen
Anleitung Newsletter erstellen Casablanca Hotelsoftware Newsletter erstellen (Letzte Aktualisierung: 13.12.2016) 1 Inhaltsverzeichnis 2 Selektion in Casablanca... 3 3 Ohne die Casablanca-Newsletter Schnittstelle...
Mehrkurze Wiederholung der letzten Stunde: Neuronale Netze Dipl.-Inform. Martin Lösch (0721) Dipl.-Inform.
kurze Wiederholung der letzten Stunde: Neuronale Netze martin.loesch@kit.edu (0721) 608 45944 Labor Wissensrepräsentation Neuronale Netze Motivation Perzeptron Übersicht Multilayer Neural Networks Grundlagen
MehrGrundlagen zu neuronalen Netzen. Kristina Tesch
Grundlagen zu neuronalen Netzen Kristina Tesch 03.05.2018 Gliederung 1. Funktionsprinzip von neuronalen Netzen 2. Das XOR-Beispiel 3. Training des neuronalen Netzes 4. Weitere Aspekte Kristina Tesch Grundlagen
MehrKünstliche neuronale Netze
Künstliche neuronale Netze Sebastian Morr 4. Juni 2008 Worum geht es? Die Natur hat uns 3,7 Milliarden Jahre Forschungszeit voraus. Toby Simpson Vorbild: Strukturen des Gehirns Ziel: Lernfähige Künstliche
MehrEinführung in MATLAB
Einführung in MATLAB Warum MATLAB? Messdaten sammeln Datenverarbeitung Graphische Darstellung 27.03.2019 EINFÜHRUNG IN MATLAB 2 Warum MATLAB? t = [1.0, 2.0, 3.0, ] v = [2.1, 4.2, 6.3, ] m = 3.14 E = ½
MehrRekurrente / rückgekoppelte neuronale Netzwerke
Rekurrente / rückgekoppelte neuronale Netzwerke Forschungsseminar Deep Learning 2018 Universität Leipzig 12.01.2018 Vortragender: Andreas Haselhuhn Neuronale Netzwerke Neuron besteht aus: Eingängen Summenfunktion
MehrKurzeinführung Excel2App. Version 1.0.0
Kurzeinführung Excel2App Version 1.0.0 Inhalt Einleitung Das Ausgangs-Excel Excel-Datei hochladen Excel-Datei konvertieren und importieren Ergebnis des Imports Spalten einfügen Fehleranalyse Import rückgängig
MehrAndreas Scherer. Neuronale Netze. Grundlagen und Anwendungen. vieweg
Andreas Scherer Neuronale Netze Grundlagen und Anwendungen vieweg Inhaltsverzeichnis Vorwort 1 1 Einführung 3 1.1 Was ist ein neuronales Netz? 3 1.2 Eigenschaften neuronaler Netze 5 1.2.1 Allgemeine Merkmale
MehrWärmebedarfsprognose für Einfamilienhaushalte auf Basis von Künstlichen Neuronalen Netzen
Wärmebedarfsprognose für Einfamilienhaushalte auf Basis von Künstlichen Neuronalen Netzen Internationale Energiewirtschaftstagung Wien - 12.02.2015 Maike Hasselmann, Simon Döing Einführung Wärmeversorgungsanlagen
MehrAnleitung für die Datenübernahme etax.luzern
Anleitung für die Datenübernahme etax.luzern Diese Anleitung beschreibt ausführlich die Übernahme der Daten aus der Steuersoftware etax.luzern. Inhaltsverzeichnis Wo sind meine Steuerdaten auf dem PC abgelegt?...
MehrUm einen Datenverlust zu vermeiden empfehlen wir Ihnen Ihre gespeicherten Lastschriftvorlagen zu sichern.
Sehr geehrter Kunde, mit dieser Anleitung möchten wir Ihnen Schritt für Schritt bei der Umstellung Ihrer Lastschriftvorlagen auf SEPA-Lastschriftvorlagen helfen. Für die erfolgreiche Umwandlung benötigen
MehrAnwendungssoftware III (MATLAB)
Anwendungssoftware III (MATLAB) VII und von Daten Michael Liedlgruber Fachbereich Computerwissenschaften Universität Salzburg Sommersemester 2014 M. Liedlgruber Anwendungssoftware III (MATLAB) SS 2014
MehrStatistical Learning
Statistical Learning M. Gruber KW 42 Rev.1 1 Neuronale Netze Wir folgen [1], Lec 10. Beginnen wir mit einem Beispiel. Beispiel 1 Wir konstruieren einen Klassifikator auf der Menge, dessen Wirkung man in
MehrEinführung in die Computerlinguistik
Einführung in die Computerlinguistik Neuronale Netze WS 2014/2015 Vera Demberg Neuronale Netze Was ist das? Einer der größten Fortschritte in der Sprachverarbeitung und Bildverarbeitung der letzten Jahre:
MehrDokumentation Kanonenspiel
Praktikum aus Programmierung Dr. Michael Hahsler WS 2006/2007 Dokumentation Kanonenspiel Gerhard Turk (9951230) Inhaltsverzeichnis Dokumentation... 1 Abbildungsverzeichnis... 2 1. Problemstellung... 3
MehrABA-Navi-Tool 002. Bedienungsanleitung
ABA-Navi-Tool 002 Bedienungsanleitung Das Tool erfordert entweder MS-Access 2010 Vollversion (erhalten in MS-Office Profession) oder eine Installieren von MS-Access Runtime (bitte die 32bit Version). MS-Access
MehrMaschinelles Lernen: Neuronale Netze. Ideen der Informatik
Maschinelles Lernen: Neuronale Netze Ideen der Informatik Kurt Mehlhorn Adrian Neumann 16. Januar 2014 Übersicht Biologische Inspiration Stand der Kunst in Objekterkennung auf Bildern Künstliche Neuronale
Mehrb.i.m.m PARAMETEREXPORTER 2013 Benutzerhandbuch b.i.m.m GmbH September 2012 Version
b.i.m.m PARAMETEREXPORTER 2013 Benutzerhandbuch b.i.m.m GmbH September 2012 Version 2013.0.1.0 COPYRIGHT Dieses Handbuch dient als Arbeitsunterlage für Benutzer der b.i.m.m-tools. Die in diesem Handbuch
MehrBearbeiten von Formularen im kita finder+ Übersicht
Bearbeiten von Formularen im kita finder+ Übersicht Schaubild Kommune Träger Kitas Ein Auswahl an Vorlagen wird zur Verfügung gestellt Träger und Kitas haben die Möglichkeit diese zu nutzen Beim Ändern
MehrPraktikum Simulationstechnik Rene Schneider, Benjamin Zaiser
Praktikum Simulationstechnik Rene Schneider, Benjamin Zaiser 11.11.2008 CSM Master: Praktikum Simulationstechnik, rs034, bz003 2 Befehlsübersicht Begriffsdefinition / Neuronale Netze: / / 11.11.2008 CSM
MehrDas Aussehen nicht-spielbarer Sims verändern (mit SimPE / Sims Surgery) Ein Tutorial von ReinyDay
Das Aussehen nicht-spielbarer Sims verändern (mit SimPE / Sims Surgery) Ein Tutorial von ReinyDay Es gibt einige Möglichkeiten, nichtspielbaren Sims mit SimPE ein anderes Aussehen zu verpassen. Da man
MehrOpenCount 100. Verbindungsdatenerfassung in den Kommunikationssystemen OpenCom 100 und Aastra 800 Bedienungsanleitung
OpenCount 100 Verbindungsdatenerfassung in den Kommunikationssystemen OpenCom 100 und Aastra 800 Bedienungsanleitung Willkommen bei Aastra Vielen Dank, dass Sie sich für ein Produkt von Aastra entschieden
MehrDKTIG. Kurzanleitung Erfassung von C1 in QB IPQ 2012
DKTIG Kurzanleitung zur Erfassung von C1 in QB IPQ 2012 Teil C-1: Externe Qualitätssicherung Die krankenhausbezogenen Angaben der externen vergleichenden Qualitätssicherung (C-1) werden auch beim Qualitätsbericht
MehrRechnerpraktikum zu Grundlagen der Nichtlinearen Optimierung
TU München Lehrstuhl Mathematische Optimierung Prof. Dr. Michael Ulbrich Dipl.-Math. Florian Lindemann Wintersemester 008/09 Blatt 1 Rechnerpraktikum zu Grundlagen der Nichtlinearen Optimierung Für die
MehrWir haben in den vorherigen Kapiteln verschiedene Verfahren zur Regression und Klassifikation kennengelernt (z.b. lineare Regression, SVMs)
6. Neuronale Netze Motivation Wir haben in den vorherigen Kapiteln verschiedene Verfahren zur Regression und Klassifikation kennengelernt (z.b. lineare Regression, SVMs) Abstrakt betrachtet sind alle diese
MehrExemplar für Prüfer/innen
Exemplar für Prüfer/innen Kompensationsprüfung zur standardisierten kompetenzorientierten schriftlichen Reifeprüfung AHS Juni 2015 Mathematik Kompensationsprüfung Angabe für Prüfer/innen Hinweise zur Kompensationsprüfung
MehrIBM SPSS Neural Networks Neue Tools für die Erstellung von Vorhersagemodellen
IBM SPSS Neural Networks Neue Tools für die Erstellung von Vorhersagemodellen Highlights Untersuchen subtiler oder verdeckter Muster in den Daten Erstellen leistungsfähigerer Modelle Keine Programmierung
Mehr6.4 Neuronale Netze zur Verarbeitung von Zeitreihen
6.4 Neuronale Netze zur Verarbeitung von Zeitreihen Aufgabe: Erlernen einer Zeitreihe x(t + 1) = f(x(t), x(t 1), x(t 2),...) Idee: Verzögerungskette am Eingang eines neuronalen Netzwerks, z.b. eines m-h-1
MehrErstellen einer Excel-Tabelle für die Bundesjugendspiele
Erstellen einer Excel-Tabelle für die Bundesjugendspiele Für die Nutzung des BJS-Programmes wird eine Excel-Datei in festgelegtem Format benötigt. Die Erstellung erfolgt in 3 Abschnitten: 1. Erzeugen der
MehrFinanzmarktprognose mit neuronalen Netzen
Reihe: Quantitative Ökonomie Band 131 Herausgegeben von Prof. Dr. Eckart Bomsdorf, Köln, Prof. Dr. Wim Kösters, Bochum, und Prof. Dr. Winfried Matthes, Wuppertal Dr. Christoph A. Hövel Finanzmarktprognose
MehrPraktikum Computational Intelligence 2 Ulrich Lehmann, Johannes Brenig, Michael Schneider
Praktikum Computational Intelligence 2 Ulrich Lehmann, Johannes Brenig, Michael Schneider Versuch: Fuzzy-Klimaregelung in MATLAB 11.04.2011 1_CI2_Deckblatt_Fuzzy2 Inhaltsverzeichnis Inhaltsverzeichnis
MehrABA-Navi-Tool 002. Inbetriebnahme. Danach Datei öffnen, es erscheint die Startseite.
ABA-Navi-Tool 002 Bedienungsanleitung Bitte die Originaldateien NUR kopieren und umbenennen. Installation Das Tool erfordert entweder MS-Access 2010 Vollversion (erhalten in MS-Office Profession) oder
MehrNOISY Datenimport vom LD 831
NOISY Datenimport vom LD 831 Systemvoraussetzungen Für den Messdatenimport sowie die Online-Messung mit dem LD 831sind die nachfolgenden Voraussetzungen zwingend einzuhalten. Eine abweichende Konfiguration
MehrHandbuch ECDL 2003 Basic Modul 2: Computermanagement und Dateiverwaltung Komprimieren von Daten
Handbuch ECDL 2003 Basic Modul 2: Computermanagement und Dateiverwaltung Komprimieren von Daten Dateiname: ecdl2_05_05_documentation_standard.doc Speicherdatum: 14.02.2005 ECDL 2003 Modul 2 Computermanagement
MehrTageslängen im Jahresverlauf
Tageslängen im Jahresverlauf Modellieren mit der Sinusfunktion Julian Eichbichler Thema Stoffzusammenhang Klassenstufe Modellieren mithilfe der allgemeinen Sinusfunktion Trigonometrische Funktionen 2.
Mehr1 Erste Schritte in STATISTICA
1 Abbildung 1: Der Startbildschirm von STATISTICA. 1 Erste Schritte in STATISTICA Das Statistik-Programm STATISTICA umfasst eine sehr große Sammlung statistischer Verfahren und grafischer Methoden, ist
MehrEntwicklung von Methoden zum Nachweis von ökologisch erzeugten Produkten am Beispiel der Lachszucht - Neronale Netzanalyse -
Entwicklung von Methoden zum Nachweis von ökologisch erzeugten Produkten am Beispiel der Lachszucht - Neronale Netzanalyse - Development of Methods to Detect Products Made from Organic Salmon FKZ: 02OE073/1
MehrDatenorientierte SA. Aufbau und Grundlagen. Aufbau und Grundlagen. Aufbau und Grundlagen. Was sind neuronale Netze?
Datenorientierte SA Was sind neuronale Netze? Neuronale Netze: Grundlagen und Anwendungen Neuronale Netze bilden die Struktur eines Gehirns oder eines Nervensystems ab Andreas Rauscher 0651993 Damir Dudakovic
MehrInfor ERP Blending INFOR ERP BLENDING BRUTTOBEDARF VERSION: 6.1 AUTOR: B.L.
Infor ERP Blending INFOR ERP BLENDING BRUTTOBEDARF VERSION: 6.1 AUTOR: B.L. Copyright 2008 / 2009 Infor. All rights reserved. The word and design marks set forth herein are trademarks and/or registered
MehrAnleitung. Mooy Logistics Servicedesk. Version: 1.2 Date: 07-10-14
Anleitung Mooy Logistics Servicedesk Version: 1.2 Date: 07-10-14 Inhalt 1. Einloggen... 3 2. Nach Dokumenten suchen.... 4 3. Downloaden aller Dokumente zur Rechnungsnummer.... 6 4. Bestellzeilen verfolgen....
MehrDEEP LEARNING MACHINE LEARNING WITH DEEP NEURAL NETWORKS 8. NOVEMBER 2016, SEBASTIAN LEMBCKE
DEEP LEARNING MACHINE LEARNING WITH DEEP NEURAL NETWORKS 8. NOVEMBER 2016, SEBASTIAN LEMBCKE INHALT Einführung Künstliche neuronale Netze Die Natur als Vorbild Mathematisches Modell Optimierung Deep Learning
MehrQISPOS Import/Export. Saskia Nuñez von Voigt. TU Berlin
QISPOS Import/Export Saskia Nuñez von Voigt TU Berlin Allgemeines Es ist möglich über QISPOS Noten bzw. Leistungsnachweise über Excel hochzuladen. Excel Export aus der Notenverbuchung Excel Import in die
MehrObjekt Attributwerte Klassifizierung X Y
AUFGABE : Entscheidungsbäume Betrachten Sie das folgende Klassifizierungsproblem: bjekt Attributwerte Klassifizierung X Y A 3 B 2 3 + C 2 D 3 3 + E 2 2 + F 3 G H 4 3 + I 3 2 J 4 K 2 L 4 2 ) Bestimmen Sie
MehrHandout 3. Grundlegende Befehle und Konstruktionen (Modi) von Cinderella
Handout 3 Grundlegende Befehle und Konstruktionen (Modi) von Cinderella In dieser Sitzung erfahren Sie mehr über: Grundlegende Befehle von Cinderella Grundlegende Konstruktionen (Modi) von Cinderella Grundlegende
MehrBusiness Intelligence
Hochschule Darmstadt Business Intelligence Fachbereich Informatik Praktikumsaufgabe 3 Prof. Dr. C. Wentzel Dipl. Inf. Dipl. Math. Y. Orkunoglu Datum: 11.06.2007 Business Intelligence Aufgabenstellung 1.
Mehr6L: Transistorkennlinie mittels VXI System NI LabVIEW - Instrumenten-I/O (SCPI)
Hochschule Merseburg (FH) FB INW Praktikum Virtuelle Instrumentierung 6L: Transistorkennlinie mittels VXI System NI LabVIEW - Instrumenten-I/O (SCPI) Agilent E8401A (VXI-Chassis) Agilent E1328A (4 Channel
MehrUnterrichtsmaterialien in digitaler und in gedruckter Form. Auszug aus:
Unterrichtsmaterialien in digitaler und in gedruckter Form Auszug aus: Datenbanken mit Tabellen, Formularen und Abfragen sowie Beziehungen in Datenbanken Das komplette Material finden Sie hier: Download
MehrErsatz für freie Listen in SibankPLUS
Ersatz für freie Listen in SibankPLUS Wer auf die Schnelle eine Liste erstellen möchte und bereit ist, auf Kopfzeilen und anderes Design zu verzichten, hat folgende Möglichkeit: Klicken Sie den Button
Mehr5.Klasse Beobachtungsfenster 1. Quadratische Funktionen / Quadratische Gleichungen
1 5.Klasse Beobachtungsfenster 1 Dr.Otto Wurnig Quadratische Funktionen / Quadratische Gleichungen Themenbereich Quadratische Funktionen und quadratische Gleichungen Ziele Inhalte Ziele der Untersuchung
Mehr(hoffentlich kurze) Einführung: Neuronale Netze. Dipl.-Inform. Martin Lösch. (0721) Dipl.-Inform.
(hoffentlich kurze) Einführung: martin.loesch@kit.edu (0721) 608 45944 Überblick Einführung Perzeptron Multi-layer Feedforward Neural Network MLNN in der Anwendung 2 EINFÜHRUNG 3 Gehirn des Menschen Vorbild
MehrFlowFact Alle Versionen
Training FlowFact Alle Versionen Stand: 13.09.2005 Auffallen durch Bilder-Rahmen mit Logo und Online-Bilder Onlinebilder Rahmen Logo FlowFact bietet Ihnen zwei unterschiedliche Methoden, um mit Bildern
MehrInhaltsverzeichnis. 1:Element Filter : Modelllinie an Objekt : Pläne duplizieren : Kabellänge : Ebenenbemaßung...
Was ist neu 2018 R2 Inhaltsverzeichnis NEUHEITEN... 5 1:Element Filter... 5 2: Modelllinie an Objekt... 6 3: Pläne duplizieren... 7 4: Kabellänge... 8 5: Ebenenbemaßung... 9 VERBESSERUNGEN... 10 1: Verknüpfung
MehrRealisierung einer Problemlösungsstrategie für Logistikprozesse im Krankenhaus durch agentenbasierte Simulation
Realisierung einer Problemlösungsstrategie für Logistikprozesse im Krankenhaus durch agentenbasierte Simulation Lydia Lotzmann 12.07.2013 Institut für Medizinische Informatik, Statistik und Epidemiologie
MehrThema 3: Radiale Basisfunktionen und RBF- Netze
Proseminar: Machine Learning 10 Juli 2006 Thema 3: Radiale Basisfunktionen und RBF- Netze Barbara Rakitsch Zusammenfassung: Aufgabe dieses Vortrags war es, die Grundlagen der RBF-Netze darzustellen 1 Einführung
Mehr1 Einleitung. 2 Clustering
Lernende Vektorquantisierung (LVQ) und K-Means-Clustering David Bouchain Proseminar Neuronale Netze Kurs-Nr.: CS4400 ISI WS 2004/05 david@bouchain.de 1 Einleitung Im Folgenden soll zum einen ein Überblick
MehrImplementationsaspekte
Implementationsaspekte Überlegungen zur Programmierung Neuronaler Netzwerke Implementationsprinzipien Trennung der Aspekte: Datenhaltung numerische Eigenschaften der Objekte Funktionalität Methoden der
Mehr