Automatische Erkennung und Klassifikation von Körperhaltungen und Aktivitäten
|
|
- Alma Jaeger
- vor 6 Jahren
- Abrufe
Transkript
1 Automatische Erkennung und Klassifikation von Körperhaltungen und Aktivitäten Dipl.-Ing. Daniel Tantinger Fraunhofer Institut für Integrierte Schaltungen IIS, Erlangen, Deutschland
2 Automatische Erkennung und Klassifikation von Körperhaltungen und Aktivitäten 1. Motivation 2. Stand der Technik 3. Methoden 4. Resultate 5. Fazit
3 Automatische Erkennung und Klassifikation von Körperhaltungen und Aktivitäten 1. Motivation 2. Stand der Technik 3. Methoden 4. Resultate 5. Fazit
4 1. Motivation Demographischer Wandel in letzten Jahrzehnten Körperliche Aktivität ist wichtig für persönliche Gesundheit Verhindert oder hemmt Fortschritt von Krankheiten Verbesserung der Lebensqualität Wertvolle Information für Monitoring von Vitaldaten (z.b. EKG, SpO 2 ) Möglichkeit zum Selbstkontrolle / -Monitoring Wenn wir jedem Individuum das richtige Maß an Nahrung und Bewegung zukommen lassen könnten, hätten wir den sicheren Weg zur Gesundheit gefunden. [Hippocrates] Quelle: Fraunhofer Institut IIS Quelle: Académie Nationale de Médecine
5 Automatische Erkennung und Klassifikation von Körperhaltungen und Aktivitäten 1. Motivation 2. Stand der Technik 3. Methoden 4. Resultate 5. Fazit
6 Automatische Erkennung und Klassifikation von Körperhaltungen und Aktivitäten 1. Motivation 2. Stand der Technik 3. Methoden 4. Resultate 5. Fazit
7 2. Stand der Technik Video-basierte Systeme Vorteile Hohe Genauigkeit Für Unterrichtszwecke wieder abspielbar Nachteile Auf lokalen, spezifischen Raum beschränkt Große Datenmenge Hoher Rechenaufwand Hohe finanzielle Kosten Vicon Bewegungsanzug; Quelle: cnet.com
8 2. Stand der Technik Multi-Sensor Systeme Vorteile Mobil Vielfalt der messbaren Parametern durch Barometer, Beschleunigungssensor, Gyroskop, etc. Aufnahme von Parametern an verschiedenen Körperregionen Nachteile Anbringung an Körper Hoher Rechenaufwand Synchronisierung in drahtlosen Sensornetzwerken Prototyp des BodySensorNetwork Quelle: Fraunhofer Institut IIS
9 2. Stand der Technik Single-Sensor Systeme Vorteile Mobil Geringer Rechenaufwand Aufnahmen nur an einer Körperregion Unauffällig MotionSENS; Quelle: Fraunhofer Institut IIS Nachteile Nicht geeignet für Rehabilitation ActiSENS Modul; Quelle: Fraunhofer Institut IIS
10 Automatische Erkennung und Klassifikation von Körperhaltungen und Aktivitäten 1. Motivation 2. Stand der Technik 3. Methoden 4. Resultate 5. Fazit
11 Automatische Erkennung und Klassifikation von Körperhaltungen und Aktivitäten 1. Motivation 2. Stand der Technik 3. Methoden 4. Resultate 5. Fazit
12 3. Methoden Schema eines Systems zur Aktivitätserkennung Acceleration Signal Filtered Acceleration Signal Feature Vector Coded Output Accelerometer Data Preprocessing Feature Extraction Problem Solving Unit Output Knowledge Exchangeable Knowledge Base
13 3. Methoden Vorverarbeitung Entfernung von Signalanteilen über 20 Hz 99 % der Energie der täglichen Aktivitäten < 15 Hz [1] Tiefpass-Filter Trennung von Körperbewegungen und Gravitation Hochpass-Filter [1] C. V. Bouten, K. T. Koekkoek, M. Verduin, R. Kodde, and J. D. Janssen, "A triaxial accelerometer and portable data processing unit for the assessment of daily physical activity." IEEE Trans Biomed Eng, vol. 44, no. 3, pp , March 1997.
14 3. Methoden Merkmalsextraction Signal Magnitude Area (SMA) Neigungswinkel (ρ, φ, θ) Kleinster und größter Wert des Signals Neigungswinkel Korrelation zwischen je zwei Achsen Energie im Frequenzband 0 20Hz Spektrale Entropie im Frequenzband 0 10Hz
15 3. Methoden Entscheidungsbaum Binärer Entscheidungsbaum Entscheidungsregel (if then ) durch Entscheidungsbaum generiert Merkmale hierarchisch mit korrespondierenden Threshold vergleichen Struktur und Thresholds bilden die Wissensbasis Struktur eines Entscheidungsbaum Haltungen Stehen Sitzen Beugen Liegen (rechts) Liegen (links) Liegen (Rücken) Liegen (Bauch) Aktivitäten Gehen Joggen Aufstehen Hinsetzen
16 3. Methoden WBM Künstliche Neuronale Netze (KNN) Struktur: Feed-Forward Netzwerk 1 Input Layer 3 Hidden Layers 30, 20, 11 Neuronen pro Hidden Layer 1 Output Layer Aktivierung: Sigmoid Funktion Back Propagation Learning (Kostenfunktion: Mittlerer quadratischer Fehler MQF) Wissensbasis wird durch Gewichte und Bias gebildet Struktur eines künstlichen neuronalen Netzwerk Quelle: University Ulm
17 3. Methoden WBM Hybrider Klassifikator Vorklassifikator Trennung von statischen und dynamischen Aktivitäten mittels SMA Threshold Statisches KNN Input-Vektor: drei Neigungswinkel (ρ, φ, θ) Output: Haltungszustände 1 Input, 2 Hidden (4, 7), 1 Output Layers Statisches KNN Vorklassifikator Dynamisches KNN Dynamisches KNN Input-Vektor: Komplette Feature-Vektor Output: Aktivitäten 1 Input, 2 Hidden (14, 11), 1 Output Layers Körperhaltung Aktivität Struktur des hybriden Klassifikators
18 Automatische Erkennung und Klassifikation von Körperhaltungen und Aktivitäten 1. Motivation 2. Stand der Technik 3. Methoden 4. Resultate 5. Fazit
19 Automatische Erkennung und Klassifikation von Körperhaltungen und Aktivitäten 1. Motivation 2. Stand der Technik 3. Methoden 4. Resultate 5. Fazit
20 4. Resultate Test Spezifikation Sensor an der Hüfte befestigt Klassifikatoren der KNNs wurden mit Daten von 6 Personen trainiert Sensitivität, Spezifität and Gesamtgenauigkeit wurden berechnet Vier verschiedene Trainings- und Testszenarien: User-specific Leave-one-out Gender-specific Gender-leave-one-out
21 4. Resultate Test Spezifikation Sensor an der Hüfte befestigt Klassifikatoren der KNNs wurden mit Daten von 6 Personen trainiert Sensitivität, Spezifität and Gesamtgenauigkeit wurden berechnet Vier verschiedene Trainings- und Testszenarien: User-specific Leave-one-out Gender-specific Gender-leave-one-out female train & test Beispiel für user-specific Setting
22 4. Resultate Test Spezifikation Sensor an der Hüfte befestigt Klassifikatoren der KNNs wurden mit Daten von 6 Personen trainiert Sensitivität, Spezifität and Gesamtgenauigkeit wurden berechnet Vier verschiedene Trainings- und Testszenarien: User-specific Leave-one-out Gender-specific Gender-leave-one-out female test train Beispiel für leave-one-out Setting
23 4. Resultate Test Spezifikation Sensor an der Hüfte befestigt Klassifikatoren der KNNs wurden mit Daten von 6 Personen trainiert Sensitivität, Spezifität and Gesamtgenauigkeit wurden berechnet Vier verschiedene Trainings- und Testszenarien: User-specific Leave-one-out Gender-specific Gender-leave-one-out female train & test Beispiel für gender-specific Setting
24 4. Resultate Test Spezifikation Sensor an der Hüfte befestigt Klassifikatoren der KNNs wurden mit Daten von 6 Personen trainiert Sensitivität, Spezifität and Gesamtgenauigkeit wurden berechnet Vier verschiedene Trainings- und Testszenarien: User-specific Leave-one-out Gender-specific Gender-leave-one-out female male train test Beispiel für gender-leave-one-out Setting
25 4. Resultate Test Spezifikation Sensor an der Hüfte befestigt Klassifikatoren der KNNs wurden mit Daten von 6 Personen trainiert Sensitivität, Spezifität and Gesamtgenauigkeit wurden berechnet Vier verschiedene Trainings- und Testszenarien: User-specific Leave-one-out Gender-specific Gender-leave-one-out Klassifikator Gesamtgenauigkeit der Aktivitätserkennung der einzelnen Klassifikatoren in % Userspecific Leaveone-out Genderspecific Genderleaveone-out Entscheidungsbaum 99,71 88,62 99,84 90,35 Neuronales Netz 99,52 97,79 99,55 91,55 Hybrid Klassifikator 99,63 98,99 99,95 95,05
26 4. Resultate Test Spezifikation Sensor an der Hüfte befestigt Klassifikatoren der KNNs wurden mit Daten von 6 Personen trainiert Sensitivität, Spezifität and Gesamtgenauigkeit wurden berechnet Vier verschiedene Trainings- und Testszenarien: User-specific Leave-one-out Gender-specific Gender-leave-one-out Klassifikator Gesamtgenauigkeit der Aktivitätserkennung der einzelnen Klassifikatoren in Prozent Userspecific Leaveone-out Genderspecific Genderleaveone-out Entscheidungsbaum 99,71 88,62 99,84 90,35 Neuronales Netz 99,52 97,79 99,55 91,55 Hybrid Klassifikator 99,63 98,99 99,95 95,05
27 4. Resultate Entscheidungsbaum (Leave-One-Out Setting) Ergebnisse des Entscheidungsbaum mit dem leave-one-out Setting in % Hohe Genauigkeit für liegen Geringere Genauigkeit für Übergänge von stehen-zu-sitzen und umgekehrt Hohe Spezifität für alle Aktivitäten und Haltungszuständen Aktivität Sensitivität Spezifität Stehen 99,07 96,02 Sitzen 86,75 97,52 Beugen 89,57 93,79 Liegen (links) 96,91 99,51 Liegen (rechts) 99,93 99,94 Liegen (Rücken) 99,89 99,96 Liegen (Bauch) 94,59 99,12 Gehen 93,09 99,20 Joggen 97,44 99,35 Hinsetzen 62,12 98,64 Aufstehen 74,71 98,80
28 4. Resultate Entscheidungsbaum (Leave-One-Out Setting) Ergebnisse des Entscheidungsbaum mit dem leave-one-out Setting in % Hohe Genauigkeit für liegen Geringere Genauigkeit für Übergänge von stehen-zu-sitzen und umgekehrt Hohe Spezifität für alle Aktivitäten und Haltungszuständen Aktivität Sensitivität Spezifität Stehen 99,07 96,02 Sitzen 86,75 97,52 Beugen 89,57 93,79 Liegen (links) 96,91 99,51 Liegen (rechts) 99,93 99,94 Liegen (Rücken) 99,89 99,96 Liegen (Bauch) 94,59 99,12 Gehen 93,09 99,20 Joggen 97,44 99,35 Hinsetzen 62,12 98,64 Aufstehen 74,71 98,80
29 4. Resultate Entscheidungsbaum (Leave-One-Out Setting) Ergebnisse des Entscheidungsbaum mit dem leave-one-out Setting in % Hohe Genauigkeit für liegen Geringere Genauigkeit für Übergänge von stehen-zu-sitzen und umgekehrt Hohe Spezifität für alle Aktivitäten und Haltungszuständen Aktivität Sensitivität Spezifität Stehen 99,07 96,02 Sitzen 86,75 97,52 Beugen 89,57 93,79 Liegen (links) 96,91 99,51 Liegen (rechts) 99,93 99,94 Liegen (Rücken) 99,89 99,96 Liegen (Bauch) 94,59 99,12 Gehen 93,09 99,20 Joggen 97,44 99,35 Hinsetzen 62,12 98,64 Aufstehen 74,71 98,80
30 4. Resultate Neuronales Netzwerk (Leave-One-Out Setting) Ergebnisse des Neuronalen Netzwerk mit leave-one-out Setting in % Verbesserte Ergebnisse für sitzen, beugen und gehen Geringere Genauigkeit für auf dem Rücken liegen Leicht verbesserte Spezifität für alle Haltungszustände und Aktivitäten Aktivität Sensitivität Spezifität Stehen 98,67 97,67 Sitzen 96,00 99,67 Beugen 91,67 98,33 Liegen (links) 97,67 99,72 Liegen (rechts) 99,33 99,86 Liegen (Rücken) 85,67 99,23 Liegen (Bauch) 95,67 99,57 Gehen 98,67 99,86 Joggen 98,33 99,63 Hinsetzen 63,67 99,14 Aufstehen 75,33 99,33
31 4. Resultate Neuronales Netzwerk (Leave-One-Out Setting) Ergebnisse des Neuronalen Netzwerk mit leave-one-out Setting in % Verbesserte Ergebnisse für sitzen, beugen und gehen Geringere Genauigkeit für auf dem Rücken liegen Leicht verbesserte Spezifität für alle Haltungszustände und Aktivitäten Aktivität Sensitivität Spezifität Stehen 98,67 97,67 Sitzen 96,00 99,67 Beugen 91,67 98,33 Liegen (links) 97,67 99,72 Liegen (rechts) 99,33 99,86 Liegen (Rücken) 85,67 99,23 Liegen (Bauch) 95,67 99,57 Gehen 98,67 99,86 Joggen 98,33 99,63 Hinsetzen 63,67 99,14 Aufstehen 75,33 99,33
32 4. Resultate Neuronales Netzwerk (Leave-One-Out Setting) Ergebnisse des Neuronalen Netzwerk mit leave-one-out Setting in % Verbesserte Ergebnisse für sitzen, beugen und gehen Geringere Genauigkeit für auf dem Rücken liegen Leicht verbesserte Spezifität für alle Haltungszustände und Aktivitäten Aktivität Sensitivität Spezifität Stehen 98,67 97,67 Sitzen 96,00 99,67 Beugen 91,67 98,33 Liegen (links) 97,67 99,72 Liegen (rechts) 99,33 99,86 Liegen (Rücken) 85,67 99,23 Liegen (Bauch) 95,67 99,57 Gehen 98,67 99,86 Joggen 98,33 99,63 Hinsetzen 63,67 99,14 Aufstehen 75,33 99,33
33 4. Resultate Hybrider Klassifikator (Leave-One-Out Setting) Ergebnisse des hybriden Klassifikators mit leave-one-out Setting in % Besten Resultate für aufstehen und hinsetzen Geringere Sensitivität für stehen, auf dem Bauch und Rücken liegen Hohe Spezifität für alle Haltungszustände und Aktivitäten Aktivität Sensitivität Spezifität Stehen 77,00 99,67 Sitzen 99,91 96,33 Beugen 99,87 99,97 Liegen (links) 97,00 99,00 Liegen (rechts) 99,93 99,98 Liegen (Rücken) 83,33 98,33 Liegen (Bauch) 84,67 99,97 Gehen 99,33 99,67 Joggen 99,97 99,99 Hinsetzen 78,67 99,67 Aufstehen 80,00 98,33
34 4. Resultate Hybrider Klassifikator (Leave-One-Out Setting) Ergebnisse des hybriden Klassifikators mit leave-one-out Setting in % Besten Resultate für aufstehen und hinsetzen Geringere Sensitivität für stehen, auf dem Bauch und Rücken liegen Hohe Spezifität für alle Haltungszustände und Aktivitäten Aktivität Sensitivität Spezifität Stehen 77,00 99,67 Sitzen 99,91 96,33 Beugen 99,87 99,97 Liegen (links) 97,00 99,00 Liegen (rechts) 99,93 99,98 Liegen (Rücken) 83,33 98,33 Liegen (Bauch) 84,67 99,97 Gehen 99,33 99,67 Joggen 99,97 99,99 Hinsetzen 78,67 99,67 Aufstehen 80,00 98,33
35 4. Resultate Hybrider Klassifikator (Leave-One-Out Setting) Ergebnisse des hybriden Klassifikators mit leave-one-out Setting in % Besten Resultate für aufstehen und hinsetzen Geringere Sensitivität für stehen, auf dem Bauch und Rücken liegen Hohe Spezifität für alle Haltungszustände und Aktivitäten Aktivität Sensitivität Spezifität Stehen 77,00 99,67 Sitzen 99,91 96,33 Beugen 99,87 99,97 Liegen (links) 97,00 99,00 Liegen (rechts) 99,93 99,98 Liegen (Rücken) 83,33 98,33 Liegen (Bauch) 84,67 99,97 Gehen 99,33 99,67 Joggen 99,97 99,99 Hinsetzen 78,67 99,67 Aufstehen 80,00 98,33
36 Automatische Erkennung und Klassifikation von Körperhaltungen und Aktivitäten 1. Motivation 2. Stand der Technik 3. Methoden 4. Resultate 5. Fazit
37 Automatische Erkennung und Klassifikation von Körperhaltungen und Aktivitäten 1. Motivation 2. Stand der Technik 3. Methoden 4. Resultate 5. Fazit
38 5. Fazit Zusammenfassung Single-Sensor System mit einem Beschleunigungssensor an der Hüfte Drei verschieden wissensbasierte Methoden Erkennung und Klassifizierung von sieben Haltungszuständen und vier Aktivitäten Wissensbasis ist austauschbar
39 5. Fazit Resultate Gute Erkennungsrate für Haltungen und einfache Aktivitäten Resultate sind vergleichbar zu denen der Multi-Sensor Systemen Training der Methoden ist nicht mehr notwendig Nicht ausreichend für komplexe Aktivitäten
40 5. Fazit Ausblick Was kann verbessert werden? Was kann zusätzlich implementiert werden?
41 Danke für Ihre Aufmerksamkeit! Kontakt: Fraunhofer Institut für Integrierte Schaltungen (IIS), Abteilung Bildverarbeitung und Medizintechnik Dipl.-Ing. Daniel Tantinger
Fraunhofer-Institut für Integrierte Schaltungen IIS
Fraunhofer-Institut für Integrierte Schaltungen IIS Textile Integration medizinischer Sensorsysteme im Rahmen der Sitzung des AMA Wissenschaftsrates Andreas Tobola 25.9.2013 Textile Integration Vortragsthemen
MehrNeuronale Netze (I) Biologisches Neuronales Netz
Neuronale Netze (I) Biologisches Neuronales Netz Im menschlichen Gehirn ist ein Neuron mit bis zu 20.000 anderen Neuronen verbunden. Milliarden von Neuronen beteiligen sich simultan an der Verarbeitung
MehrMaschinelles Lernen: Neuronale Netze. Ideen der Informatik Kurt Mehlhorn
Maschinelles Lernen: Neuronale Netze Ideen der Informatik Kurt Mehlhorn 16. Januar 2014 Übersicht Stand der Kunst im Bilderverstehen: Klassifizieren und Suchen Was ist ein Bild in Rohform? Biologische
MehrML-Werkzeuge und ihre Anwendung
Kleine Einführung: und ihre Anwendung martin.loesch@kit.edu (0721) 608 45944 Motivation Einsatz von maschinellem Lernen erfordert durchdachtes Vorgehen Programmieren grundlegender Verfahren aufwändig fehlerträchtig
MehrHuman Fall Detection Related Work
Human Fall Detection Related Work Philipp Teske 30.06.2010 Vortrag zur Veranstaltung Anwendungen 2 Übersicht Rückblick Kommerzielle Produkte QuietCare MotionSense Philips Lifeline Forschungsprojekte Air
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
MehrJan Parthey, Christin Seifert. 22. Mai 2003
Simulation Rekursiver Auto-Assoziativer Speicher (RAAM) durch Erweiterung eines klassischen Backpropagation-Simulators Jan Parthey, Christin Seifert jpar@hrz.tu-chemnitz.de, sech@hrz.tu-chemnitz.de 22.
MehrSoftcomputing Biologische Prinzipien in der Informatik. Neuronale Netze. Dipl. Math. Maria Oelinger Dipl. Inform. Gabriele Vierhuff IF TIF 08 2003
Softcomputing Biologische Prinzipien in der Informatik Neuronale Netze Dipl. Math. Maria Oelinger Dipl. Inform. Gabriele Vierhuff IF TIF 08 2003 Überblick Motivation Biologische Grundlagen und ihre Umsetzung
MehrMotivation. Themenblock: Klassifikation. Binäre Entscheidungsbäume. Ansätze. Praktikum: Data Warehousing und Data Mining.
Motivation Themenblock: Klassifikation Praktikum: Data Warehousing und Data Mining Ziel Item hat mehrere Attribute Anhand von n Attributen wird (n+)-tes vorhergesagt. Zusätzliches Attribut erst später
MehrKapitel ML: I. I. Einführung. Beispiele für Lernaufgaben Spezifikation von Lernproblemen
Kapitel ML: I I. Einführung Beispiele für Lernaufgaben Spezifikation von Lernproblemen ML: I-8 Introduction c STEIN/LETTMANN 2005-2010 Beispiele für Lernaufgaben Autoeinkaufsberater Welche Kriterien liegen
MehrData-Mining: Ausgewählte Verfahren und Werkzeuge
Fakultät Informatik Institut für Angewandte Informatik Lehrstuhl Technische Informationssysteme Data-Mining: Ausgewählte Verfahren und Vortragender: Jia Mu Betreuer: Dipl.-Inf. Denis Stein Dresden, den
MehrEvent-Aggregation in Frühwarnsystemen. Till Dörges. 2009 by PRESENSE Technologies GmbH
Event-Aggregation in Frühwarnsystemen Till Dörges Gliederung Motivation Definitionen Aggregationsverfahren Implementierung Ergebnisse / Ausblick Folie 2 / Event-Aggregation 18. März 2009 Hamburg Motivation
MehrMachine Learning - Maschinen besser als das menschliche Gehirn?
Machine Learning - Maschinen besser als das menschliche Gehirn? Seminar Big Data Science Tobias Stähle 23. Mai 2014 KIT Universität des Landes Baden-Württemberg und nationales Forschungszentrum in der
Mehr(künstliche) Neuronale Netze. (c) Till Hänisch 2003,2015, DHBW Heidenheim
(künstliche) Neuronale Netze (c) Till Hänisch 2003,2015, DHBW Heidenheim Literatur zusätzlich zum Lit. Verz. Michael Negnevitsky, Artificial Intelligence, Addison Wesley 2002 Aufbau des Gehirns Säugetiergehirn,
MehrSoftware zur Erkennung von Körperhaltungen K Bildschirmarbeitsplätzen. tzen. Referent: Markus Kirschmann
Software zur Erkennung von Körperhaltungen K an Bildschirmarbeitsplätzen tzen Vortrag zur Diplomarbeit Neuronale Mehrklassifikatorsysteme zur Erkennung der Körperhaltung K in Bildschirmarbeitsplatzumgebungen
MehrKünstliche Neuronale Netze und Data Mining
Künstliche Neuronale Netze und Data Mining Catherine Janson, icasus GmbH Heidelberg Abstract Der Begriff "künstliche Neuronale Netze" fasst Methoden der Informationstechnik zusammen, deren Entwicklung
MehrBegriffsbestimmung CRISP-DM-Modell Betriebswirtschaftliche Einsatzgebiete des Data Mining Web Mining und Text Mining
Gliederung 1. Einführung 2. Grundlagen Data Mining Begriffsbestimmung CRISP-DM-Modell Betriebswirtschaftliche Einsatzgebiete des Data Mining Web Mining und Text Mining 3. Ausgewählte Methoden des Data
MehrIIS. Fraunhofer-Institut für Integrierte Schaltungen IIS. BlackFIR
IIS Fraunhofer-Institut für Integrierte Schaltungen IIS BlackFIR Adaptive Ortungstechnologien Fraunhofer IIS Ihr Partner für Funkortung BlackFIR - Verfahren Die Funkortung und -kommunikation ist seit mehr
MehrEvidenzbasierte Sturzerkennung mit Hilfe von Vision- und Beschleunigungssensorik
Evidenzbasierte Sturzerkennung mit Hilfe von Vision- und Beschleunigungssensorik Matthias Gietzelt 1, Jens Spehr 2, Michael Marschollek 1, Mehmet Gövercin 3, Yvonne Költzsch 3, Klaus-Hendrik Wolf 1, Bianying
MehrDie EnMAP-Box Ziele, Stand der Entwicklung und Ausblick
Die EnMAP-Box Ziele, und Ausblick Sebastian van der Linden, Andreas Rabe, Pedro Leitão, Patrick Hostert sebastian.linden@geo.hu-berlin.de http://www.hu-geomatics.de 25.10.2010 2. Nationaler EnMAP-Workshop
Mehrsensave 24 Stunden 7 Tage in der Woche rundum sorglos
sensave 24 Stunden 7 Tage in der Woche rundum sorglos - Fraunhofer IIS - Fraunhofer IAO - Fraunhofer IBMT - Fraunhofer IPMS - Fraunhofer FIT Seite 1 sensave* Jeder zweite Mensch in Deutschland stirbt an
MehrKapitel 11* Grundlagen ME. Aufbau eines ME-Systems Entwicklung eines ME-Systems. Kapitel11* Grundlagen ME p.1/12
Kapitel 11* Kapitel11* Grundlagen ME p.1/12 Grundlagen ME Aufbau eines ME-Systems Entwicklung eines ME-Systems Kapitel11* Grundlagen ME p.2/12 Aufbau eines ME-Systems (1) on line Phase digitalisiertes
MehrData Mining mit Rapidminer im Direktmarketing ein erster Versuch. Hasan Tercan und Hans-Peter Weih
Data Mining mit Rapidminer im Direktmarketing ein erster Versuch Hasan Tercan und Hans-Peter Weih Motivation und Ziele des Projekts Anwendung von Data Mining im Versicherungssektor Unternehmen: Standard
MehrTechnische Ansätze zur Mobilitäts- und Aktivitätsanalyse für die Betreuung und Pflege älterer Menschen: Ergebnisse der Feldstudien
Technische Ansätze zur Mobilitäts- und Aktivitätsanalyse für die Betreuung und Pflege älterer Menschen: Ergebnisse der Feldstudien Prof. Dr.-Ing. Andreas Hein OFFIS Institut für Informatik Oldenburg Agenda
MehrContinuous Information Quality Assessment in Stream Based Smart City Frameworks
Continuous Information Quality Assessment in Stream Based Smart City Frameworks 19. VDE/ITG Fachtagung Mobilkommunikation Osnabrück, 22.05.2014 Thorben Iggena Tel.: +49 541/969-2723 E-Mail: t.iggena@hs-osnabrueck.de
MehrAutomatische Gesprächsauswertung im Callcenter
Einleitung Forschungsbeitrag Automatische Gesprächsauswertung im Callcenter Projekt CoachOST Dipl.-Wirtsch.-Inf. Mathias Walther Prof. Dr. Taïeb Mellouli Lehrstuhl für Wirtschaftsinformatik und Operations
MehrProseminar - Data Mining
Proseminar - Data Mining SCCS, Fakultät für Informatik Technische Universität München SS 2012, SS 2012 1 Data Mining Pipeline Planung Aufbereitung Modellbildung Auswertung Wir wollen nützliches Wissen
MehrRecommender Systems. Stefan Beckers Praxisprojekt ASDL SS 2006 Universität Duisburg-Essen April 2006
Recommender Systems Stefan Beckers Praxisprojekt ASDL SS 2006 Universität Duisburg-Essen April 2006 Inhalt 1 - Einführung 2 Arten von Recommender-Systemen 3 Beispiele für RCs 4 - Recommender-Systeme und
MehrNaive Bayes. 5. Dezember 2014. Naive Bayes 5. Dezember 2014 1 / 18
Naive Bayes 5. Dezember 2014 Naive Bayes 5. Dezember 2014 1 / 18 Inhaltsverzeichnis 1 Thomas Bayes 2 Anwendungsgebiete 3 Der Satz von Bayes 4 Ausführliche Form 5 Beispiel 6 Naive Bayes Einführung 7 Naive
MehrOSEK/VDX NM (Network Management)
OSEK/VDX NM (Network Management) Alexander Berger alexander.berger@uni-dortmund.de PG Seminarwochenende 21.-23. Oktober 2007 1 Überblick Motivation Aufgaben des NM Architektur Konzept und Verhalten Indirektes
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
MehrSeminar Textmining SS 2015 Grundlagen des Maschinellen Lernens
Seminar Textmining SS 2015 Grundlagen des Maschinellen Lernens Martin Hacker Richard Schaller Künstliche Intelligenz Department Informatik FAU Erlangen-Nürnberg 17.04.2015 Entscheidungsprobleme beim Textmining
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
MehrDrill - Speed horizontal / lateral + Agility
Drill - Speed horizontal / lateral + Agility Equipment: 10 Hürden, Cones, 5 Reactionbelts, 2 Agility Ladders Station1: Hurdle Drills Equipment: 10 Hürden Parameter: 2 Wdh. pro Übung (1x pro Seite), 1Serie,
MehrMicrosoft Office SharePoint 2007
Inhalt 1 Erstellen von Workflows für Microsoft Office SharePoint 2007 15 June 2009 Sebastian Gerling Sebastian.gerling@spiritlink.de COPYRIGHT 2003 SPIRIT LINK GMBH. ALL RIGHTS RESERVED Inhalt 1 Dipl.
MehrText Mining 4. Seminar Klassifikation
Text Mining 4. Seminar Klassifikation Stefan Bordag 1. Klassifikation Stringklassifikation (männliche-weibliche Vornamen) Dokument klassifikation Bayesian Neuronal network (Decision tree) (Rule learner)
MehrWearable Computing im Gesundheitswesen
Wearable Computing im Gesundheitswesen Dipl.-Ing. Dr. techn. Wolfgang Vorraber, Univ.-Prof. Dipl.-Ing. Dr. techn. Siegfried Vössner, Dipl.-Ing. Dietmar Neubacher, Technische Universität Graz, Österreich
MehrAutomatische Erkennung von Kung Fu Gesten mittels Magnetfeld- und Beschleunigungssensoren GREGOR ENDLER. Einleitung. Material und Methoden
Automatische Erkennung von Kung Fu Gesten mittels Magnetfeld- und Beschleunigungssensoren GREGOR ENDLER Einleitung Automatisierte Erkennung von Gesten ist ein Gebiet mit vielen Anwendungen, beispielsweise
MehrKapitel LF: IV. IV. Neuronale Netze
Kapitel LF: IV IV. Neuronale Netze Perzeptron-Lernalgorithmus Gradientenabstiegmethode Multilayer-Perzeptrons und ackpropagation Self-Organizing Feature Maps Neuronales Gas LF: IV-39 Machine Learning c
MehrDie Beurteilung von Kreditrisiken mittels künstlicher neuronaler Netze am Beispiel österreichischer KMUs
Die Beurteilung von Kreditrisiken mittels künstlicher neuronaler Netze am Beispiel österreichischer KMUs 1. Klagenfurter KMU Tagung Tanja Schuschnig Alexander Brauneis Institut für Finanzmanagement 25.09.2009
MehrInformationsflut bewältigen - Textmining in der Praxis
Informationsflut bewältigen - Textmining in der Praxis Christiane Theusinger Business Unit Data Mining & CRM Solutions SAS Deutschland Ulrich Reincke Manager Business Data Mining Solutions SAS Deutschland
MehrTextmining Klassifikation von Texten Teil 1: Naive Bayes
Textmining Klassifikation von Texten Teil 1: Naive Bayes Dept. Informatik 8 (Künstliche Intelligenz) Friedrich-Alexander-Universität Erlangen-Nürnberg (Informatik 8) Klassifikation von Texten 1: Naive
MehrExploration und Klassifikation von BigData
Exploration und Klassifikation von BigData Inhalt Einführung Daten Data Mining: Vorbereitungen Clustering Konvexe Hülle Fragen Google: Riesige Datenmengen (2009: Prozessieren von 24 Petabytes pro Tag)
MehrDrahtlos vernetzte regelungstechnische Anwendungen
Drahtlos vernetzte regelungstechnische M.Sc. Henning Trsek, Prof. Dr.-Ing. Jürgen Jasperneite {henning.trsek, juergen.jasperneite}@fh-luh.de init Institut Industrial IT Fachhochschule Lippe und Höxter
MehrITSM (BOX & CONSULTING) Christian Hager, MSc
ITSM (BOX & CONSULTING) Christian Hager, MSc INHALT Ausgangssituation ITSM Consulting ITSM Box Zentrales Anforderungsmanagement Beispielhafter Zeitplan Nutzen von ITSM Projekten mit R-IT Zusammenfassung
MehrZustandsüberwachung mit Monitorstrukturen
Zustandsüberwachung mit Monitorstrukturen Fraunhofer IZM, Berlin olaf.bochow-ness@izm.fraunhofer.de +49 30 464 03 218 Seite 1 Motivation zur Zustandsüberwachung Beurteilung des Zustands / der Zuverlässigkeit
MehrKünstliches binäres Neuron
Künstliches binäres Neuron G.Döben-Henisch Fachbereich Informatik und Ingenieurwissenschaften FH Frankfurt am Main University of Applied Sciences D-60318 Frankfurt am Main Germany Email: doeben at fb2.fh-frankfurt.de
MehrProseminar - Data Mining
Proseminar - Data Mining SCCS, Fakultät für Informatik Technische Universität München SS 2014, SS 2014 1 Data Mining: Beispiele (1) Hausnummererkennung (Klassifikation) Source: http://arxiv.org/abs/1312.6082,
MehrMotion Capture. Menschliche Bewegungen digital erfassen. Dipl.Ing. Sophie Jörg
Motion Capture Menschliche Bewegungen digital erfassen Dipl.Ing. Sophie Jörg Arbeitsumfeld Feste MitarbeiterInnen: 48 männlich 20 weiblich WissenschaftlerInnen: 41 männlich Studierende: 13 männlich Projektleiter
MehrConcepts and Strategies for personalized telemedical Biofeedback-Therapies
Concepts and Strategies for personalized telemedical Biofeedback-Therapies Med-e-Tel 18.04.07 in Luxembourg Telemetric Personal Health Monitoring Platform for medical sensors and devices Combination of
MehrEin Vergleich von Methoden für Multi-klassen Support Vector Maschinen
Ein Vergleich von Methoden für Multi-klassen Support Vector Maschinen Einführung Auf binären Klassifikatoren beruhende Methoden One-Against-All One-Against-One DAGSVM Methoden die alle Daten zugleich betrachten
MehrNANO III - MSR. Signalabtastung Analog Digital Converter (ADC) Digital Analog Converter (DAC) Themen: DAC
NANO III - MSR Themen: Signalabtastung Analog Digital Converter (ADC) A ADC D Digital Analog Converter (DAC) D DAC A Nano III MSR Physics Basel, Michael Steinacher 1 Signalabtastung Praktisch alle heutigen
MehrEnsonido - Raumklang im Kopfhörer
Ensonido - Raumklang im Kopfhörer Jan Plogsties Fraunhofer Institut für Integrierte Schaltungen IIS jan.plogsties@iis.fraunhofer.de Page 1 Stereo über Lautsprecher - Akustik Listening Room Stereo Player
MehrWEKA A Machine Learning Interface for Data Mining
WEKA A Machine Learning Interface for Data Mining Frank Eibe, Mark Hall, Geoffrey Holmes, Richard Kirkby, Bernhard Pfahringer, Ian H. Witten Reinhard Klaus Losse Künstliche Intelligenz II WS 2009/2010
Mehr3. Erfassung und Verarbeitung von Sensordaten
3. Erfassung und Verarbeitung von Sensordaten Lernziele 3. Erfassung und Verarbeitung von Sensordaten Lernziele: Typische in mobilen Geräten enthaltene Sensorarten kennen, Daten von solchen Sensoren empfangen
MehrMMB Ranking 2010 Easy- Training.de AG. Platz 9 E- Learning Tools Platz 12 Erstellung
Output: Mehr als 200 Produktionen pro Jahr Lernformate: Multimediale Onlinekurse, Smartphone APPs, Lernvideos, PodCasts, Zielgruppen: Mitarbeiter, Verkäufer und Verbraucher Inhalte: Produkt-, Technologie-
MehrMachine Learning - Maschinen besser als das menschliche Gehirn?
Machine Learning - Maschinen besser als das menschliche Gehirn? Tobias Stähle 23.05.2014 1 Einführung 1.1 Was ist Machine Learning? Während am Anfang Computer noch auf das reine Ausrechnen beschränkt waren
MehrInhalt. 2. Caffe meets Java
Caffe-Einführung Inhalt 1. Caffe a. Installation b. Dateien eines Netzwerks c. Aufbau eines Netzwerks d. Verwendung eines Netzwerks e. Eigenes Beispiel für ein Netzwerk f. MNIST 2. Caffe meets Java Installation
MehrAutomatisiertes UI Testing. Mark Allibone, 18.04.2013, #2
Coded UI Testing Automatisiertes UI Testing Mark Allibone, 18.04.2013, #2 Eine klassische Applikations Architektur Grafische Oberfläche Business Logik Datenzugriff (Datenbank, Cloud, etc) Mark Allibone,
Mehrweitere Modelle und Methoden
weitere Modelle und Methoden LVQ-Netze, competetive learning, counterpropagation, motorische karten, adaptive resonance theory LVQ Struktur Lernende Vektor-Quantisierung Input-Raum mit Distanz-Funktion
MehrData Mining und maschinelles Lernen
Data Mining und maschinelles Lernen Einführung und Anwendung mit WEKA Caren Brinckmann 16. August 2000 http://www.coli.uni-sb.de/~cabr/vortraege/ml.pdf http://www.cs.waikato.ac.nz/ml/weka/ Inhalt Einführung:
Mehr35 Masterstudiengang Smart Systems
35 Masterstudiengang Smart Systems (1) Das Master-Aufbaustudium Smart Systems umfasst drei Lehrplansemester. (2) Die Zulassung zum Masterstudiengang Smart Systems setzt einen Hochschulabschluss oder einen
MehrKünstliche Intelligenz
Künstliche Intelligenz Data Mining Approaches for Instrusion Detection Espen Jervidalo WS05/06 KI - WS05/06 - Espen Jervidalo 1 Overview Motivation Ziel IDS (Intrusion Detection System) HIDS NIDS Data
MehrSimulation neuronaler Netzwerke mit TIKAPP
Überblick Michael Hanke Sebastian Krüger Institut für Psychologie Martin-Luther-Universität Halle-Wittenberg Forschungskolloquium, SS 2004 Überblick Fragen 1 Was sind neuronale Netze? 2 Was ist TIKAPP?
MehrGRIPS - GIS basiertes Risikoanalyse-, Informations- und Planungssystem
GRIPS - GIS basiertes Risikoanalyse-, Informations- und Planungssystem GIS based risk assessment and incident preparation system Gregor Lämmel TU Berlin GRIPS joined research project TraffGo HT GmbH Rupprecht
MehrMusic Information Retrieval - automatische Genre-Klassifikation
Music Information Retrieval - automatische Genre-Klassifikation Julian Hartmann & Christoph Sünderkamp Institut für Informatik, Seminar Mustererkennung im Alltag 8./10.06.2005 Gliederung 1. Einordnung
MehrAlgorithmische Modelle als neues Paradigma
Algorithmische Modelle als neues Paradigma Axel Schwer Seminar über Philosophische Grundlagen der Statistik, WS 2010/11 Betreuer: Prof. Dr. Thomas Augustin München, den 28. Januar 2011 1 / 29 LEO BREIMAN
MehrRegressionsanalyse zur Optimierung von künstlichen neuronalen Netzen bei der DAX-Prognose
Informatik Philipp von der Born Regressionsanalyse zur Optimierung von künstlichen neuronalen Netzen bei der DAX-Prognose Bachelorarbeit Universität Bremen Studiengang Informatik Regressionsanalyse zur
MehrRULE-BASED LOCAL KNOWLEDGE NAVIGATION AND DECISION SUPPORT ON SMARTPHONES
18. ITG Fachtagung Mobilkommunikation Osnabrück, 16. Mai 2013 Heinz-Josef Eikerling, Nazar Selo Gavan RULE-BASED LOCAL KNOWLEDGE NAVIGATION AND DECISION SUPPORT ON SMARTPHONES 1 Inhalt Einführung Motivation,
MehrRealisierung von CI- Regelalgorithmen auf verschiedenen Hardwareplattformen
Realisierung von CI- Regelalgorithmen auf verschiedenen Hardwareplattformen Prof.Dr.-Ing. K.-D. Morgeneier FH Jena, FB Elektrotechnik und Informationstechnik www.fh-jena.de Gliederung 2. Einführung 3.
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
MehrKapitel LF: IV. Multilayer-Perzeptrons und Backpropagation. Multilayer-Perzeptrons und Backpropagation. LF: IV Machine Learning c STEIN 2005-06
Kapitel LF: IV IV. Neuronale Netze Perzeptron-Lernalgorithmus Gradientenabstiegmethode Multilayer-Perzeptrons und ackpropagation Self-Organizing Feature Maps Neuronales Gas 39 Multilayer-Perzeptrons und
MehrKonsolidierung von Software-Varianten in Software-Produktlinien ein Forschungsprogramm
Konsolidierung von Software-Varianten in Software-Produktlinien ein Forschungsprogramm Rainer Koschke Universität Bremen Workshop Software-Reengineering Bad Honnef 5. Mai 2005 Bauhaus Forschungskooperation
MehrTowards Automated Analysis of Business Processes for Financial Audits
Towards Automated Analysis of Business Processes for Financial Audits Michael Werner Universität Hamburg michael.werner@wiso.uni hamburg.de Max Brauer Allee 60 22765 Hamburg StB Prof. Dr. Nick Gehrke Nordakademie
MehrIst Collaborative Positioning eine geeignete Lösung bei GNSS Beeinträchtigungen?
Symposium St. Ulrich bei Steyr Ist Collaborative Positioning eine geeignete Lösung bei GNSS Beeinträchtigungen? Guenther Retscher Department Geodäsie und Geoinformation, FG Ingenieurgeodäsie Technische
MehrThe integration of business intelligence and knowledge management
The integration of business intelligence and knowledge management Seminar: Business Intelligence Ketevan Karbelashvili Master IE, 3. Semester Universität Konstanz Inhalt Knowledge Management Business intelligence
MehrFaszination Sportinformatik
Faszination Sportinformatik 6. Mai 2011 Prof. Björn Eskofier, Ph.D. Juniorprofessur für Sportinformatik Stiftungsprofessur der adidas AG Lehrstuhl für Mustererkennung Friedrich-Alexander-Universität Erlangen-Nürnberg
MehrConsulting Development Design
Consulting Development Design 59. Bundesweites Gedenkstättenseminar - AG 4 Agenda Vorstellung Was verbirgt sich hinter einer mobilen App? Beispiel TABTOUR mehr als nur eine App Was ist jetzt und zukünftig
MehrÜbungsblatt LV Künstliche Intelligenz, Data Mining (1), 2014
Übungsblatt LV Künstliche Intelligenz, Data Mining (1), 2014 Aufgabe 1. Data Mining a) Mit welchen Aufgabenstellungen befasst sich Data Mining? b) Was versteht man unter Transparenz einer Wissensrepräsentation?
MehrData Mining Standards am Beispiel von PMML. Data Mining Standards am Beispiel von PMML
Data Mining Standards am Beispiel von PMML Allgemeine Definitionen im Data Mining Data Mining (DM) Ein Prozess, um interessante neue Muster, Korrelationen und Trends in großen Datenbeständen zu entdecken,
Mehr(künstliche) Neuronale Netze. (c) Till Hänisch 2003, BA Heidenheim
(künstliche) Neuronale Netze (c) Till Hänisch 2003, BA Heidenheim Literatur zusätzlich zum Lit. Verz. Michael Negnevitsky, Artificial Intelligence, Addison Wesley 2002 Warum? Manche Probleme (z.b. Klassifikation)
MehrINDOOR-POSITIONIERUNG
INDOOR-POSITIONIERUNG EIN ÜBERBLICK MIT AUSGEWÄHLTEN BEISPIELEN Jörg Blankenbach Geodätisches Institut, RWTH Aachen DGfK-Syposium 2015 Königslutter, 11.05.2015 Einleitung Motivation Nachfrage nach der
MehrSport und Technik - Anwendungen moderner Technologien in der Sportwissenschaft. Habilitationsschrift
Sport und Technik - Anwendungen moderner Technologien in der Sportwissenschaft Habilitationsschrift zur Erlangung des akademischen Grades Doctor philosophiae habilitatus (Dr. phil. habil.) genehmigt durch
MehrEn:Tool EnEff BIM Introduction to the Project and Research Association
En:Tool EnEff BIM Introduction to the Project and Research Association Christoph van Treeck 1 Lehrstuhl für Energieeffizientes Bauen (E3D), RWTH Aachen University, Germany EnTool: EnEff:BIM»Planning, system
MehrIFRIC Draft Interpretation D3 Determing whether an Arrangement contains a Lease
IFRIC Draft Interpretation D3 Determing whether an Arrangement contains a Lease Liesel Knorr Düsseldorf, 16. März 2004-1- DRSC e.v/öffentliche Diskussion/16.03.2004 Überblick 1. Hintergrund des Interpretationsentwurfs
MehrG & S World Bridge Trading AG
Ingenieur- und Planungsbüro Monsch G & S World Bridge Trading AG 9450 Altstätten SG Lärmgutachten Umweltlärm AROTO PM 3000 8. Juli 2011 Lärmgutachten Windenergieanlage AROTO PM 3000 Seite 2 Inhalt 1 Einleitung...
Mehr9 Resümee. Resümee 216
Resümee 216 9 Resümee In der vorliegenden Arbeit werden verschiedene Methoden der Datenreduktion auf ihre Leistungsfähigkeit im sozialwissenschaftlichstatistischen Umfeld anhand eines konkreten Anwendungsfalls
MehrEin etwas anderer Morgen für Sal [0] [10]
Ein etwas anderer Morgen für Sal [0] [10] Integrationsplattform für HCI Untersuchungen in Smart Environments Sobin Ghose - Masterseminar SS2015 EmotionBike HAW Hamburg Worum geht s? Motivation [1] J.A.R.V.I.S.
MehrData Mining und Statistik: Gemeinsamkeiten und Unterschiede
Universität Ulm Seminararbeit zum Thema Data Mining und Statistik: Gemeinsamkeiten und Unterschiede vorgelegt von: Daniel Meschenmoser betreut von: Dr. Tomas Hrycej Dr. Matthias Grabert Ulm, im Februar
MehrFachhochschule Köln. Konzepte des maschinellen Lernens. Ausarbeitung. Florian Keller
Fachhochschule Köln 07 Fakultät für Informations-, Medien-, und Elektrotechnik Institut für Nachrichtentechnik Studiengang Master Technische Informatik Konzepte des maschinellen Lernens Ausarbeitung vorgelegt
MehrKundenwissen für den Energieversorger der Zukunft
Kundenwissen für den Energieversorger der Zukunft Dr. Leading Tobias customer Graml insights CTO company tobias.graml@ben-energy.com for utilities in Europe Sechs Jahre Expertise in Datenanalyse und Kundenverhalten
MehrQuanton Manual (de) Datum: 20.06.2013 URL: http://wiki:8090/pages/viewpage.action?pageid=9928792 )
Datum: 20.06.2013 URL: http://wiki:8090/pages/viewpage.action?pageid=9928792 ) Inhaltsverzeichnis 1 quanton flight control rev. 1 3 1.1 Anschlüsse für Peripheriegeräte 3 1.1.1 Eingänge / Ausgänge 3 1.1.2
MehrTechnisches Datenblatt Technical Data Sheet 3160-00-00.73A4B. Signalwandler für 4 analoge Eingangssignale 4-20mA auf CAN
Seite/Page 1 von/of 5 MultiXtend CAN 3160-00-00.73A4B Signalwandler für 4 analoge Eingangssignale 4-20mA auf CAN Signal converter for four Thermocouple Type J converting to CAN-Bus Beschreibung Description
MehrPraktikum Entwicklung von Mediensystemen mit ios
Praktikum Entwicklung von Mediensystemen mit ios WS 2011 Prof. Dr. Michael Rohs michael.rohs@ifi.lmu.de MHCI Lab, LMU München Today Heuristische Evaluation vorstellen Aktuellen Stand Software Prototyp
MehrKursübersicht "Signale und Systeme"
Kursübersicht "Signale und Systeme" SiSy, Einleitung, 1 SiSy HS2014: Zeitplan ET13a Signale analog Systeme analog Signale digital Kursübersicht "Signale und Systeme" SiSy, Einleitung, 2 Unterlagen siehe
MehrHandschrifterkennung mittels Multilayer Perceptron und Bagging auf dem Android Betriebssystem
Handschrifterkennung mittels Multilayer Perceptron und Bagging auf dem Android Betriebssystem Kai Groetenhardt Studiengang: Master Informatik 14. Juli 2012 Abstract Inhalt dieser Arbeit ist die Erläuterung
MehrBFS-Forschungsprojekt Schlaf-Home-Monitoring : Ergebnisse und Perspektiven
BFS-Forschungsprojekt Schlaf-Home-Monitoring : Ergebnisse und Perspektiven Hans-Joachim Mörsdorf Robert Couronné Fraunhofer Institut Integrierte Schaltungen IIS Abteilung Bildverarbeitung und Medizintechnik
MehrHow to make a PIXAR movie. Motion Capturing. computer graphics & visualization
How to make a PIXAR movie Inhalt Geschichte des s Anwendungen Typen der Motion Capture Systeme MoCap Pipeline Zusammenfassung und Ausblick Definition Motion capture is the process of recording a live motion
Mehr