Merkmalserkennungs- und Klassifikationssystem (MEKS)
|
|
- Leon Diefenbach
- vor 5 Jahren
- Abrufe
Transkript
1 Merkmalserkennungs- und Klassifikationssystem (MEKS) S. Hafner Univ.-GHS Paderborn, Abteilung Meschede Tel.: (0291) , Fax: (0291) Kurzfassung Die Computational Intelligence ist ein Fachgebiet, das die Technologie der Neuronalen Netze, der Fuzzy Logik und der Evolutionären Algorithmen verbindet. Sie gewinnt bei industriellen Anwendungen immer mehr an Bedeutung [1], [2]. In der Praxis können Neuronale Netze (NN) auf unterschiedlicheste Weise eingesetzt werden. Bei industriellen Anwendungen ist eine systematische Vorgehensweise wichtig, die frühzeitig entscheidende Faktoren für den industriellen Erfolg einer Lösung berücksichtigt. Am Beispiel von Klassifikationsaufgaben werden unterschiedliche Vorgehensweisen diskutiert. Sie führten zur Entwicklung eines Merkmalserkennungs- und Klassifikationssystem (MEKS). An unterschiedlichen Aufgaben, insbesondere in der Diagnose, wurde MEKS validiert. Es ermöglicht auch die Kombination verschiedener Technologien, wie beispielsweise die der Neuronalen Netze, der Fuzzy Systeme und der Evolutionären Algorithmen. 1 Vorgehensweise bei der Lösung von Klassifikationsaufgaben beim Einsatz konventioneller Methoden Die prinzipiellen Arbeitsschritte, die für eine Klassifikation notwendig sind, wenn konventionelle Techniken eingesetzt werden, sind in Bild 1 dargestellt [4]. Merkmalsextraktion Klassifikation Bild 1: Module eines Klassifikationssystems Zuerst werden Meßdaten mit geeigneten Sensoren aufgenommen. Danach schließt sich eine an, die eine nachfolgende Verarbeitung erleichtert und die spätere Klassifikationsleistung erhöht. Dies kann beispielsweise bei Schallsignalen eine Fourier-Transformation sein. Nach der Vorverarbeitung werden geeignete Merkmale aus den Signalen extrahiert, die mit hoher Trennschärfe eine Zuordnung der Signalmuster zu vorgegebenen n ermöglichen. Bei Schallsignalen können dies einzelne ausgewählte Werte des Leistungsdichtespektrums sein. In der eigentlichen Klassifikation wird das Muster, das durch diese Merkmale beschrieben ist, einer Entscheidungsklasse zugeordnet.
2 Die Merkmalsextraktion bietet mehrere Vorteile. Die Komplexität der Aufgabe wird für den Klassifikator stark reduziert, wenn nur wenige wesentliche Eingangsgrößen dem Klassifikator zugeführt werden. Zusätzlich wird auch die Implementierung des Klassifikators in Hardware einfacher. Die Gesamtkosten können gesenkt werden, wenn irrelevante Meßgrößen im Bezug zur Klassifikationsaufgabe identifiziert und die dafür notwendige Sensorik und Signalverarbeitung eingespart werden. Wenn geeignete Merkmale für die Klassifikation festgelegt sind, kann dies insgesamt zu einem übersichtlichen und kleinen Klassifikator führen und häufig auch zu besseren Klassifikationsergebnissen [4]. Oft ist es schwierig, geeignete Merkmale zu finden. Die Merkmale sind so festzulegen, daß sie für Muster einer einen möglichst kompakten Bereich im Merkmalsraum bilden und, daß für verschiedene n die eingenommenen Bereiche möglichst getrennt sind. Bei Aufgaben, die als schwierig empfunden werden, sind oft solche Merkmale nicht in offensichtlicher Form zugänglich. Häufig sind die physikalischen Zusammenhänge nicht ausreichend bekannt bzw. genügt das Erfahrungswissen für eine geeignete Merkmalsbildung nicht. Wenn die Einzelsignale zusätzlich noch stark verrauscht sind, wird die Aufgabe, Merkmale zu bilden, zu recht als schwierig eingestuft. Die Neuronalen Netze bieten sich bei diesen Aufgaben an. Sie haben den Vorteil, daß Sie auf der Basis von Beispieldaten automatisch eine Lösungsstrategie finden können. Die schwierige Aufgabe der Merkmalsextraktion kann dem Entwickler abgenommen werden. 2 Merkmalsextraktion und Klassifikation in einem einzigen Neuronalen Netz Bei Neuronalen Netzen gibt es unterschiedliche Möglichkeiten, diese zur Klassifikation einzusetzen [5], [7]. Die Möglichkeit, bei der die Merkmalsextraktion vom Neuronalen Netz übernommen wird, ist in Bild 2 dargestellt. Merkmalsextraktion und Klassifikation mit einem NN Training des NN mit Mustern Bild 2: Häufige Vorgehensweise, wenn Neuronale Netze im Klassifikationssystem eingesetzt werden. Die Sensorsignale werden nach der Vorverarbeitung ohne vorherige Merkmalsextraktion dem Neuronalen Netz für die Klassifikation zugeführt. Die Merkmalsextraktion wird mit der eigentlichen Klassifikation verbunden. Ein einziges Neuronales Netz übernimmt zwei Aufgaben gleichzeitig. Der Vorteil dieser Methode besteht darin, daß die Schwierigkeit, geeignete Merkmale zu finden, für den Entwickler entfällt. Trotz dem geringen Entwicklungsaufwand werden in der Regel insgesamt gute
3 Klassifikationsergebnisse erzielt. Bei der Entwicklung einer Lösung führt dann der Einsatz der Neuronalen Netze zu einem hohen Automatisierungsgrad. Der Entwickler gibt dem Neuronalen Netz alle Größen vor, die mit dem Ereignis etwas zu tun haben könnten. Es wird dem Neuronalen Netz überlassen, die in den Trainingsdaten versteckten Charakteristika, die sich für eine Klassifikation eignen, auszuwerten. Die Nachteile dieser Vorgehensweise werden häufig erst nach der Entwicklung erkannt. Sie bestehen insbesondere darin, daß es sehr schwierig ist, die gefundene Lösung zu interpretieren. Für die Klassifikation werden Charakteristika benutzt, die implizit in den Daten enthalten sind, die aber nicht direkt zugänglich sind. Warum das Netz nun eine bestimmte Klassifikationsentscheidung trifft, ist nur sehr schwer nachvollziehbar. Das zusätzliche Einbringen von Erfahrungswissen und physikalischen Kenntnissen in die vom Netz gefundene Lösung ist kaum möglich. Dies führt bei Fachleuten und Kunden häufig zu Akzeptanzproblemen. Zusätzlich sind die Kosten für die Implementierung des komplexen Neuronalen Netz-Klassifikators in Hardware höher. Wenn die Merkmalsextraktion mit der Klassifikation von einem einzigen Neuronalen Netz durchgeführt wird und gute Ergebnisse erzielt werden, hat das Neuronale Netz bestimmte Charakteristika in den Daten gefunden. Diese Merkmale sind in den Trainingsdaten enthalten, liegen allerdings nur in impliziter Form vor. Oft werden diese Merkmale auch nicht durch das Betrachten von einzelnen Trainingsmustern erkannt, u.a. weil die Trainingsdaten stark verrauscht und die in ihnen enthaltenen Charakteristika versteckt sind. Die Frage stellte sich, ob es nicht möglich wäre, direkt die Merkmalsextraktion mit Unterstützung eines Neuronalen Netzes durchzuführen und dadurch physikalisch interpretierbare Merkmale zu finden. Dies führte zur Entwicklung des Merkmalserkennungs- und Klassifikationssystems (MEKS). 3 Das Merkmalserkennungs- und Klassifikationssystem (MEKS) Bei MEKS werden u.a. Neuronale Netze eingesetzt, um aus den Meßdaten Informationen zu gewinnen und so den Entwickler bei der Bildung von geeigneten Merkmalen zu unterstützen (Bild 3). Merkmalsextraktion Klassifikation Informationen aus einem NN, das zur Datenvisualisierung trainiert wurde beispielsweise ein Fuzzy- Klassifikator Bild 3: Vorgehensweise mit MEKS beim Einsatz zweier Neuronalen Netze (NN) Die Aufgaben werden dadurch aufgeteilt. Das Neuronale Netz erfüllt nicht gleichzeitig beide Aufgaben, nämlich die Merkmalsextraktion mit der Klassifikation. Bei der mit
4 MEKS realisierten Methode ist die Merkmalsextraktion separat vor der Klassifikation durchzuführen. Ein Neuronales Netz unterstützt den Entwickler bei der Bildung geeigneter Merkmale. Dies reduziert die Komplexität der Aufgabe für einen Klassifikator. Dieser muß nicht mehr die Aufgabe der Merkmalsextraktion zusätzlich übernehmen, da er bereits die Merkmale als Eingangsgrößen erhält. Die Merkmalsbildung wird nicht automatisch nur vom Neuronalen Netz durchgeführt, sondern der Entwickler wird bei der Merkmalsbildung interaktiv einbezogen (Bild 5). Vom Analysenetz speziell Vom Neuronalen Netz aufbereitete speziell aufbereitete Informationen aus Informationen den Trainingsdaten Physikalische Kenntnisse Merkmale Erfahrungswissen Bild 4: Data Mining mit Unterstützung Neuronaler Netze Die in den Trainingsdaten enthaltenen Informationen werden in visueller Form von einem Neuronalen Netz dargestellt [3]. Der Entwickler bildet Merkmale, indem er die vom Neuronalen Netz speziell aufbereitete Information aus den Trainingsdaten nutzt, physikalische Kenntnisse einbringt und Erfahrungswissen berücksichtigt. Mit diesen Merkmalen kann eine anschließende Klassifikation mit unterschiedlichen Techniken durchgeführt werden. Beispielsweise können dann zur Klassifikation Fuzzy Systeme oder konventionelle Klassifikatoren eingesetzt werden. Da nur der Klassifikator implementiert wird, bietet dies also die Möglichkeit die Zielhardware entsprechend dem Kundenwunsch zu gestalten. In der industriellen Praxis kann dies für die Akzeptanz der Lösung entscheidend sein. 4 Zusammenfassung und Ausblick Die vorgeschlagene systematische Vorgehensweise beim Einsatz Neuronaler Netze führt bei Klassifikationsaufgaben zu physikalisch interpretierbaren Lösungen, die kostengünstig in Hardware umgesetzt werden können. Sie eignet sich insbesondere für die Kombination unterschiedlicher Techniken der Computational Intelligence. Werden Neuronale Netze zur Merkmalsextraktion eingesetzt, kann beispielsweise eine anschließende Klassifikation mit einem Fuzzy System durchgeführt werden [5]. Das Fuzzy System benötigt dadurch eine geringere Anzahl von Eingangsgrößen und damit auch weniger Regeln. Um relevante Fuzzy Regeln zu finden, kann beispielsweise ein evolutionärer Algorithmus eingesetzt werden [8]. Mit dieser Vorgehensweise wird der zu implementierende Klassifikator in der Komplexität erheblich reduziert und kann überschaubar und kostengünstig in Hardware umgesetzt werden. Die geringere Anzahl von Merkmalen und Regeln begünstigt die Akzeptanz beim Fachmann, da die Lösungsstrategie sehr übersichtlich dargestellt werden kann. Eine weitere Anwendung solcher Neuronalen Netze besteht im Data
5 Mining. Dies ist ein Prozeß bei dem nützliche Informationen und Zusammenhänge aus Daten extrahiert werden. Literatur [1] Hafner, S. (Hrsg.): Neuronale Netze in der Automatisierungstechnik. München: R. Oldenbourg Verlag [2] Hafner, S. (Hrsg.): Industrielle Anwendung Evolutionärer Algorithmen. München: R. Oldenbourg Verlag [3] Hafner, S.: Ein spezielles Neuronales Netz zur Merkmalsbildung für Klassifikatoren. Automatisierungstechnik (at) 47. H. 9, S [4] Hafner S., Baumann T., Grösch L., Henne M.: Airbagauslösealgorithmus mit Fuzzy-Logik. Deutsche Patentanmeldung , Internationale Patentanmeldung [5] Schürmann, J.: Pattern classification: A unified view of statistical and neural approaches. New York: Wiley [6] Hafner S., Kistner A.: Neuronale Netze zur Merkmalsbildung für Klassifikatoren. Proc. 7. Workshop: Fuzzy Control, Forschungsberichte der Fakultät für Elektrotechnik. Nr S Universität Dortmund [7 ] Rojas R.: Theorie der neuronalen Netze: Eine systematische Einführung. Berlin: Springer- Verlag [8] Krone A., Kiendl H.: An Evolutionäry concept for Generating Relevant Fuzzy Rules from Data. Journal of Knowledge-based Intelligent engineering Systems, Vol 1, No. 4, October 1997.
Proceedings 11. Workshop Fuzzy Control des GMA-FA 5.22
Forschungszentrum Karlsruhe Technik und Umwelt Wissenschaftliche Berichte FZKA 6660 Proceedings 11. Workshop Fuzzy Control des GMA-FA 5.22 Dortmund, 28.-30. November 2001 Ralf Mikut, Markus Reischl (Hrsg.)
MehrMustererkennung und Klassifikation
Mustererkennung und Klassifikation WS 2007/2008 Fakultät Informatik Technische Informatik Prof. Dr. Matthias Franz mfranz@htwg-konstanz.de www-home.htwg-konstanz.de/~mfranz/heim.html Grundlagen Überblick
MehrProceedings 12. Workshop Fuzzy Systeme
Forschungszentrum Karlsruhe in der Helmholtz-Gemeinschaft Wissenschaftliche Berichte FZKA 6767 Proceedings 12. Workshop Fuzzy Systeme Ralf Mikut, Markus Reischl (Hrsg.) Institut für Angewandte Informatik
MehrData Mining Künstliche Neuronale Netze vs. Entscheidungsbäume
Data Mining Künstliche Neuronale Netze vs. Entscheidungsbäume Grundseminar HAW Master Informatik 18.04.2017 Inhaltsübersicht Data Mining & Begriffswelt des Data Mining Klassifikation & Klassifikatoren
MehrIntelligente EKG-Analyse Dipl.-Ing. Gero von Wagner
FZI Forschungszentrum Informatik an der Universität Karlsruhe MIT- Medizinische Informationstechnik Telemetrisches Diagnosenetz Intelligente EKG-Analyse Dipl.-Ing. Gero von Wagner FZI Forschungszentrum
Mehr(Thema) Optimierung von künstlichen neuronalen Netzen zur Ausfallvorhersage mit Sensordaten. Masterarbeit
(Thema) Optimierung von künstlichen neuronalen Netzen zur Ausfallvorhersage mit Sensordaten Masterarbeit zur Erlangung des akademischen Grades Master of Science (M.Sc.) im Studiengang Wirtschaftsingenieur
MehrFeature Selection / Preprocessing
1 Feature Selection / Preprocessing 2 Was ist Feature Selection? 3 Warum Feature Selection? Mehr Variablen führen nicht automatisch zu besseren Ergebnissen. Lernen von unwichtigen Daten Mehr Daten notwendig
MehrInnovative Datenanalyse für die Medizin
Innovative Datenanalyse für die Medizin IDEALearning Intelligent Data Evaluation and Analysis by Machine Learning Dr. Susanne Winter winter:science Technologiezentrum Ruhr Universitätsstr. 142 44799 Bochum
MehrCase-Based Reasoning und anderen Inferenzmechanismen
Case-Based Reasoning und anderen Inferenzmechanismen Daniel Müller 21 April 2006 DM () CBR und Inferenz 21 April 2006 1 / 31 Contents 1 Einleitung 2 Inferenzmechanismen Statistische Verfahren Data Mining
MehrBio-Inspired Credit Risk Analysis
Bio-Inspired Credit Risk Analysis Computational Intelligence with Support Vector Machines Bearbeitet von Lean Yu, Shouyang Wang, Kin Keung Lai, Ligang Zhou 1. Auflage 2008. Buch. XVI, 244 S. Hardcover
MehrModulliste. für den Masterstudiengang. Data & Knowledge Engineering (alt) an der Otto von Guericke Universität Magdeburg Fakultät für Informatik
Modulliste für den Masterstudiengang Data & Knowledge Engineering (alt) an der Otto von Guericke Universität Magdeburg Fakultät für Informatik vom Sommersemester 2019 Der Masterstudiengang Data & Knowledge
MehrEvolutionäre Algorithmen Einführung
Evolutionäre Algorithmen Einführung Prof. Dr. Rudolf Kruse Pascal Held {kruse,pheld}@iws.cs.uni-magdeburg.de Otto-von-Guericke-Universität Magdeburg Fakultät für Informatik Institut für Wissens- und Sprachverarbeitung
MehrInhalt. Wissensbasierte Diagnose Entscheidungsbäume Bayes-Netze Fallbasiertes Schließen Funktionsorientierte Diagnose Modellbasierte Systeme
Inhalt 2 Wissensbasierte Diagnose 3 Diagnose bezeichnet hier das Rückschließen auf mögliche Ursachen, welche zu beobachtbaren Wirkungen führen. Heutige Diagnosesysteme haben gute Diagnosebasisfunktionen,
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
MehrProjekt-INF Folie 1
Folie 1 Projekt-INF Entwicklung eines Testbed für den empirischen Vergleich verschiedener Methoden des maschinellen Lernens im Bezug auf die Erlernung von Produktentwicklungswissen Folie 2 Inhalt Ziel
MehrSoftware, Data und Machine Learning Engineers bei der Lufthansa Industry Solutions (Trendtalk)
Technology Day am 10:45 11:45 Uhr Raum: Empore Software, Data und Machine Learning Engineers bei der Lufthansa Industry Solutions (Trendtalk) Bernhard Kube, Vice President, Die Lufthansa ist ein Konzern
Mehr12. Vorlesung Stochastische Optimierung
Soft Control (AT 3, RMA) 12. Vorlesung Stochastische Optimierung Differential Evolution 12. Vorlesung im Aufbau der Vorlesung 1. Einführung Soft Control: Definition und Abgrenzung, Grundlagen "intelligenter"
MehrAMTLICHE BEKANNTMACHUNG
AMTLICHE BEKANNTMACHUNG NUMMER 2017/094 SEITEN 1-6 DATUM 07.04.2017 REDAKTION Sylvia Glaser 3. Ordnung zur Änderung der studiengangspezifischen Prüfungsordnung für den Bachelorstudiengang Informatik der
MehrSession: 1A Intelligente Steuerung von Prozessschritten in der Fertigung von reaktiven Schmelzklebstoffen (Jowat) 10. Oktober 2017 Lemgo
Session: 1A Intelligente Steuerung von Prozessschritten in der Fertigung von reaktiven Schmelzklebstoffen (Jowat) 10. Oktober 2017 Lemgo www.its-owl.de Agenda Abschlusspräsentation Einführung Zielsetzung
MehrKünstliche Intelligenz
Künstliche Intelligenz Bearbeitet von Uwe Lämmel, Jürgen Cleve 4., aktualisierte Auflage 2012. Buch. 336 S. ISBN 978 3 446 42758 7 Format (B x L): 18 x 24,5 cm Gewicht: 717 g Weitere Fachgebiete > EDV,
MehrWie entstehen Produktideen? Neues Seminar vermittelt notwendige Vorgehensweisen und Methoden
Wie entstehen Produktideen? Neues Seminar vermittelt notwendige Vorgehensweisen und Methoden Langenbach, J. Das Seminar ProIdeen thematisiert die Produktfindungsphase. Das Seminar rückt allerdings die
MehrTaktilsensorbasierte Steuerung von Roboterarmen zur Erstellung einer Haptischen Datenbank
Taktilsensorbasierte Steuerung von Roboterarmen zur Erstellung einer Haptischen Datenbank Matthias Schöpfer 1 Gunther Heidemann 2 Helge Ritter 1 1 {mschoepf,helge}@techfak.uni-bielefeld.de Technische Fakultät
MehrDissertation. vorgelegt von Dipl.-Ing. (FH) Steffen Patzwahl geb. am in Leinefelde
Einsatz von Methoden der Computational Intelligence auf Mikrocontrollersystemen zur Realisierung von Prozessführungssystemen am Beispiel der anaeroben Biogasfermentation Dissertation zur Erlangung des
MehrEntwicklung einer Entscheidungssystematik für Data- Mining-Verfahren zur Erhöhung der Planungsgüte in der Produktion
Entwicklung einer Entscheidungssystematik für Data- Mining-Verfahren zur Erhöhung der Planungsgüte in der Produktion Vortrag Seminararbeit David Pogorzelski Aachen, 22.01.2015 Agenda 1 2 3 4 5 Ziel der
MehrBachelorarbeit Präsentation Clemens Ornetzeder
Bachelorarbeit Präsentation Clemens Ornetzeder Betreuer: Dr. Florian Reiterer VOLLAUTOMATISIERTE GLUKOSEREGELUNG BEI TYP-2-DIABETIKERN Institut für Design und Regelung Mechatronischer Systeme BACHELORARBEIT
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.
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
MehrBachelor of Science Mechatronik Modulhandbuch
Bachelor of Science Mechatronik Modulhandbuch Stand: April 2017 Redaktion (Studienservice Fachbereich Maschinenbau): module15@uni-kassel.de M aster of Science Hauptstudienphase Bachelor of Science Schlüsselkompetenzen
MehrModulliste. für den Masterstudiengang. Ingenieurinformatik. an der Otto-von-Guericke-Universität Magdeburg Fakultät für Informatik
Modulliste für den Masterstudiengang Ingenieurinformatik an der Otto-von-Guericke-Universität Magdeburg Fakultät für Informatik vom Sommersemester 2017 Der Masterstudiengang Ingenieurinformatik (IngINF)
MehrStudienplan FSPO 2014/2017 Master Informationssystemtechnik
Studienplan FSPO 2014/2017 Master Informationssystemtechnik Folgende Modulgruppen sind im Masterstudiengang Informationssystemtechnik zu absolvieren. In den Modulgruppen 1. bis 4. sind insgesamt 90 Leistungspunkte
MehrData Mining auf Datenströmen Andreas M. Weiner
Technische Universität Kaiserslautern Fachbereich Informatik Lehrgebiet Datenverwaltungssysteme Integriertes Seminar Datenbanken und Informationssysteme Sommersemester 2005 Thema: Data Streams Andreas
MehrBisher angebotene Vorlesungen
Schwerpunktgebiete 1 Software-Konstruktion 2 Rechnerarchitektur, eingebettete Systeme und Simulation 3 Verteilte Systeme 4 Algorithmen, Komplexität und formale Modelle 5 Sicherheit und Verifikation 6 Computational
MehrDigitale Signalverarbeitung (DSV)
Digitale Signalverarbeitung (DSV) Markus Lorber/TGM 2. Oktober 2010 Markus Lorber/TGM () Digitale Signalverarbeitung (DSV) 2. Oktober 2010 1 / 47 Überblick über Anwendungen der DSV Überblick über Anwendungen
MehrModulliste. für den Bachelorstudiengang. Wirtschaftsinformatik. an der Otto von Guericke Universität Magdeburg Fakultät für Informatik
Modulliste für den Bachelorstudiengang Wirtschaftsinformatik an der Otto von Guericke Universität Magdeburg Fakultät für Informatik vom Sommersemester 2019 Der Bachelorstudiengang Wirtschaftsinformatik
MehrKünstliche Neuronale Netze
Künstliche Neuronale Netze Artificial Neural Networks - - Einführung und Überblick FHTW Berlin, FB 1 G. Junghanns junghans@fhtw-berlin.de 10/01 1 Überblick Einführung oder Welche Begriffe und Prinzipien
MehrDISSERTATION. Nichtlineare Analyse und Klassifikation von instationären Biosignalen mit Anwendung in der Kognitionsforschung
Technische Universität Ilmenau DISSERTATION Nichtlineare Analyse und Klassifikation von instationären Biosignalen mit Anwendung in der Kognitionsforschung zur Erlangung des akademischen Grades Doktor-Ingenieur
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
MehrTeil VIII. Weiterführende Veranstaltungen im FG Wissensverarbeitung
Teil VIII Weiterführende Veranstaltungen im FG Wissensverarbeitung Überblick 1 Zusammenfassung AlgoDS 2 Datenbanken 3 Internet-Suchmaschinen 4 Knowledge Discovery 5 Künstliche Intelligenz 6 Seminare &
MehrAutomatisches Layout von Graphen
Fakultät Informatik» Institut für Angewandte Informatik» Professur für Technische Informationssysteme Automatisches Layout von Graphen Mabel Joselin Brun Chaperon Dresden, 10.06.2011 Inhalt Vortragsübersicht:
MehrImplizite Modellierung zur Objekterkennung in der Fernerkundung
Implizite Modellierung zur Objekterkennung in der Fernerkundung Mitarbeiterseminar 20.01.2011 (IPF) Fakultät für Bauingenieur-, Geo- und Umweltwissenschaften KIT Universität des Landes Baden-Württemberg
MehrAutomatische Erkennung und Klassifikation von Körperhaltungen und Aktivitäten
Automatische Erkennung und Klassifikation von Körperhaltungen und Aktivitäten Dipl.-Ing. Daniel Tantinger Fraunhofer Institut für Integrierte Schaltungen IIS, Erlangen, Deutschland Automatische Erkennung
MehrSEMINAR KLASSIFIKATION & CLUSTERING EINFÜHRUNG. Stefan Langer CIS Universität München Wintersemester 2016/17
SEMINAR KLASSIFIKATION & CLUSTERING EINFÜHRUNG Stefan Langer CIS Universität München Wintersemester 2016/17 stefan.langer@cis.uni-muenchen.de Anmeldung Bereits erfolgt über LSF Falls alternative Email
MehrData Mining in SAP NetWeaver BI
Martin Kießwetter, Dirk Vahl kam p Data Mining in SAP NetWeaver BI Galileo Press Bonn Boston 2.1 Was ist Data Mining? 17 2.2 Data Mining, KDD und Business Intelligence 20 2.3 KDD-Prozessmodelle 22 2.4
MehrNeue Erkenntnisse aus unstrukturierten Daten gewinnen
Neue Erkenntnisse aus unstrukturierten Daten gewinnen Univ.-Prof. Dr. Josef Küng Institut für anwendungsorientierte Wissensverarbeitung (FAW) Johannes Kepler Universität Linz In Zusammenarbeit mit Mag.
MehrGleiche Daten, unterschiedliche Erkenntnisziele?
Gleiche Daten, unterschiedliche Erkenntnisziele? Zum Potential vermeintlich widersprüchlicher Zugänge zur Textanalyse Universität Hamburg Evelyn Gius Jan Christoph Meister Janina Jacke Marco Petris Universität
MehrSequenzgenerierung aus Klassifikationsbäumen
Sequenzgenerierung aus Klassifikationsbäumen Peter M. Kruse, 24.01.2011 PMK, 24.01.2011 Inhalt Einleitung Stand von Wissenschaft und Technik Generierung von Testsequenzen mit der Klassifikationsbaum-Methode
MehrModulliste. für den Masterstudiengang. Wirtschaftsinformatik. an der Otto-von-Guericke-Universität Magdeburg Fakultät für Informatik
Modulliste für den Masterstudiengang Wirtschaftsinformatik an der Otto-von-Guericke-Universität Magdeburg Fakultät für Informatik vom Wintersemester 2016/2017 Der Masterstudiengang Wirtschaftsinformatik
MehrAdaptive Resonance Theory
Adaptive Resonance Theory Jonas Jacobi, Felix J. Oppermann C.v.O. Universität Oldenburg Adaptive Resonance Theory p.1/27 Gliederung 1. Neuronale Netze 2. Stabilität - Plastizität 3. ART-1 4. ART-2 5. ARTMAP
MehrAI in Computer Games. Übersicht. Motivation. Vorteile der Spielumgebung. Techniken. Anforderungen
Übersicht AI in Computer Games Motivation Vorteile der Spielumgebung Techniken Anwendungen Zusammenfassung Motivation Vorteile der Spielumgebung Modellierung glaubwürdiger Agenten Implementierung menschlicher
MehrÜbersicht. Definition Daten Problemklassen Fehlerfunktionen
Übersicht 1 Maschinelle Lernverfahren Definition Daten Problemklassen Fehlerfunktionen 2 Entwickeln von maschinellen Lernverfahren Aufteilung der Daten Underfitting und Overfitting Erkennen Regularisierung
MehrModul Soll-LP PNr Titel LP Frq Programmieren I Programmieren I mit Laborübung als Studienleistung
Angebotsstruktur im Studiengang Technische Informatik - Bachelor (PO 2017) (SS 2018) 1 Kompetenzbereich Grundlagen der Informatik (58 LP) Programmieren I 5 110 Programmieren I mit Laborübung als Studienleistung
MehrModulliste. für den Bachelorstudiengang. Informatik. an der Otto-von-Guericke-Universität Magdeburg Fakultät für Informatik
Modulliste für den Bachelorstudiengang Informatik an der Otto-von-Guericke-Universität Magdeburg Fakultät für Informatik vom Wintersemester 2016/2017 Der Bachelorstudiengang Informatik (INF) Das Bachelorstudium
MehrEchtzeitfähige Algorithmen für markerloses Tracking und Umfelderkennung , Dr.-Ing. Steffen Herbort, A.R.T. GmbH
Echtzeitfähige Algorithmen für markerloses Tracking und Umfelderkennung 26.10.2016, TP 2: Arbeiten von A.R.T. TP2: Tracking und Umfelderkennung Markerloses Tracking texturierte Objekte Umfelderkennung
MehrSession: 8 itsowl-tt-scyro Schweißen von Mischwellen mittels hybridkinematischer Roboter 06. Juli 2016 Bielefeld.
Session: 8 itsowl-tt-scyro Schweißen von Mischwellen mittels hybridkinematischer Roboter 06. Juli 2016 Bielefeld www.its-owl.de Agenda Abschlusspräsentation Einführung Zielsetzung Ergebnisse Resümee und
MehrArtificial Intelligence. Deep Learning Neuronale Netze
Artificial Intelligence Deep Learning Neuronale Netze REVOLUTION Lernende Maschinen Mit lernenden Maschinen/Deep Learning erleben wir aktuell eine Revolution in der Informationsverarbeitung. Neue Methoden
MehrEntscheidungsbäume. Minh-Khanh Do Erlangen,
Entscheidungsbäume Minh-Khanh Do Erlangen, 11.07.2013 Übersicht Allgemeines Konzept Konstruktion Attributwahl Probleme Random forest E-Mail Filter Erlangen, 11.07.2013 Minh-Khanh Do Entscheidungsbäume
MehrFundamente der Computational Intelligence
Wintersemester 2006/07 Fundamente der Computational Intelligence (Vorlesung) Prof. Dr. Günter Rudolph Fachbereich Informatik Lehrstuhl für Algorithm Engineering Kapitel 2: Fuzzy Systeme Inhalt Fuzzy Mengen
MehrWege zur industriellen Datenanalyse
Wege zur industriellen Michael Hoffmann Fraunhofer-Institut für Werkzeugmaschinen und Umformtechnik IWU 1. Sächsischer Tag der Automation 05. November 2015, 8:30 Uhr, Technologie- und Gründerzentrum Bautzen
MehrNeue Konzepte für die Zerstörungsfreie Prüfung und die Zustandsüberwachung von Eisenbahnradsätzen mit Ultraschall
9. Fachtagung ZfP im Eisenbahnwesen Vortrag 9 Neue Konzepte für die Zerstörungsfreie Prüfung und die Zustandsüberwachung von Eisenbahnradsätzen mit Ultraschall Thomas HECKEL 1, Jens PRAGER 2, Rainer BOEHM
MehrAdaptive Systeme. Einführung. Grundlagen. Modellierung. Prof. Rüdiger Brause WS Organisation. Einführung in adaptive Systeme B-AS-1, M-AS-1
Adaptive Systeme Prof. Rüdiger Brause WS 2013 Organisation Einführung in adaptive Systeme B-AS-1, M-AS-1 Vorlesung Dienstags 10-12 Uhr, SR11 Übungen Donnerstags 12-13 Uhr, SR 9 Adaptive Systeme M-AS-2
MehrModulliste. für den Masterstudiengang. Informatik. an der Otto von Guericke Universität Magdeburg Fakultät für Informatik
Modulliste für den Masterstudiengang Informatik an der Otto von Guericke Universität Magdeburg Fakultät für Informatik vom Sommersemester 2016 Der Masterstudiengang Informatik (INF) Dieser Masterstudiengang
Mehrvon Dennis Aumiller Proseminar Technische Informatik Sommersemester 2014 Datum:
von Dennis Aumiller Proseminar Technische Informatik Sommersemester 2014 Datum:09.07.2014 Lehrstuhl für Automation Prof. Dr. sc. techn. Essameddin Badreddin Betreuer: Alexander Alexopoulos 1 1. Motivation
MehrModel-based Design für medizintechnische Anwendungen
Model-based Design für medizintechnische Anwendungen Dr. Momme Winkelnkemper Projektumfeld Entwicklungsdienstleister Algorithmen Datenanalyse U.a. für Messgeräte- Entwicklung 2 Projektumfeld Entwicklungsdienstleister
MehrINFORMATIONSEXTRAKTION Computerlinguistik Referenten: Alice Holka, Sandra Pyka
INFORMATIONSEXTRAKTION 1 22.12.09 Computerlinguistik Referenten: Alice Holka, Sandra Pyka INFORMATIONSEXTRAKTION(IE) 1. Einleitung 2. Ziel der IE 3. Funktionalität eines IE-Systems 4. Beispiel 5. Übung
MehrEigenfaces vs. Fisherfaces: Recognition Using Class Specific Linear Projection
Eigenfaces vs. Fisherfaces: Recognition Using Class Specific Linear Projection P. Belhumeur, J. Hespanha, D. Kriegman IEEE Transactions on Pattern Analysis and Machine Intelligence, Vol. 19, No. 7, July
MehrADL Erkennung mit Smartwatches
Data Mining zur Realzeiterkennung von Aktivitäten des täglichen Lebens, Dr. Rainer Lutze Problemstellung / Zielsetzung 2 Zielsetzungen ADL Activities of Daily Living - Aktivitäten des täglichen Lebens
Mehrk-nächste-nachbarn-schätzung
k-nächste-nachbarn-schätzung Mustererkennung und Klassifikation, Vorlesung No. 7 1 M. O. Franz 29.11.2007 1 falls nicht anders vermerkt, sind die Abbildungen entnommen aus Duda et al., 2001. Übersicht
MehrGrußwort des GMA-Vorstandes
Grußwort des GMA-Vorstandes GMA-Beirat, 02.06.2003: Der Beirat unterstützt die Initiative zur Einrichtung eines Forums für die Fachhochschulprofessoren des Fachgebietes der GMA. GMA-Vorstand 2004-2006
MehrObjektorientierte Programmierung (OOP)
orientierte Programmierung (OOP) 1. Motivation Die objektorientierte Sichtweise der Welt Als Motivation für die OOP sieht man sich am besten die reale Welt an: Die reale Welt besteht aus "en", z. B.: Gegenstände,
MehrModulliste. für den Bachelorstudiengang. Wirtschaftsinformatik. an der Otto von Guericke Universität Magdeburg Fakultät für Informatik
Modulliste für den Bachelorstudiengang Wirtschaftsinformatik an der Otto von Guericke Universität Magdeburg Fakultät für Informatik vom Sommersemester 2016 Der Bachelorstudiengang Wirtschaftsinformatik
MehrModulliste. für den Bachelorstudiengang. Wirtschaftsinformatik. an der Otto-von-Guericke-Universität Magdeburg Fakultät für Informatik
Modulliste für den Bachelorstudiengang Wirtschaftsinformatik an der Otto-von-Guericke-Universität Magdeburg Fakultät für Informatik vom Sommersemester 2017 Der Bachelorstudiengang Wirtschaftsinformatik
MehrEntwicklung und Einsatz von Expertensystemen
Karl Kurbel Entwicklung und Einsatz von Expertensystemen Eine anwendungsorientierte Einführung in wissensbasierte Systeme Mit 46 Abbildungen Springer-Verlag Berlin Heidelberg New York London Paris Tokyo
MehrNeue Trends und neue Möglichkeiten der datengetriebenen Versorgungsforschung
Neue Trends und neue Möglichkeiten der datengetriebenen Versorgungsforschung Hamburg 16.11.2016 Nmedia Fotolia Fraunhofer-Institut für Intelligente Analyseund Informationssysteme Fraunhofer IAIS - Wir
MehrUmbuchungen im Bachelor-Studiengang Technische Informatik für den Wechsel von der PO 2010 zur PO 2017
Umbuchungen im Bachelor-Studiengang Technische Informatik für den Wechsel von der PO 2010 zur PO 2017 Allgemeine Umbuchungsregeln: Für alle bisherigen Studierenden, die sich nach dem Prüfungszeitraum Sommersemester
MehrModellierung menschenähnlicher Gegenspieler in Strategiespielen mit Techniken der Computational Intelligence
Modellierung menschenähnlicher Gegenspieler in Strategiespielen mit Techniken der Computational Intelligence Nicola Beume, Boris Naujoks, Mike Preuß WiSe 2007/08, SoSe 2008 Technische Universität Dortmund
MehrModulübersicht. Bachelorstudiengang Elektro- und Informationstechnik. Stand: Fakultät für Elektro- und Informationstechnik
Modulübersicht Bachelorstudiengang Elektro- und Informationstechnik Stand: 09.0.2018 Fakultät für Elektro- und Informationstechnik Übersicht Bachelorstudiengang Elektro- und Informationstechnik Grundidee:
Mehr3. Vorlesung Fuzzy Systeme
Soft Control (AT 3, RMA) 3. Vorlesung Fuzzy Systeme Fuzzy Mengen 3. Vorlesung im Aufbau der Vorlesung 1. Einführung Soft Control: Definition und Abgrenzung, Grundlagen "intelligenter" Systeme 2. Wissensrepräsentation
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 Übersicht Neuronale Netze Motivation Perzeptron Grundlagen für praktische Übungen
MehrDynamisches Routing in der Logistik
Informatik, Angewandte Informatik, Technische Informationssysteme Dynamisches Routing in der Logistik Tobias Dimmel Dresden, 24.05.2012 Agenda 1. Begriffe 2. Traveling Salesman Problem 3. Ameisenalgorithmus
MehrKlausurtermine Technische Informatik WS 2018/19 (Prüfungszeitraum vom ) Stand: Änderungen rot markiert - vorbehalten!
Klausurtermine Technische Informatik WS 2018/19 (Prüfungszeitraum vom 04.02 05.04.2019) Stand: 10.12.2018 Änderungen rot markiert - vorbehalten! Wochentag Prüfungstermin: Prüfungsbezeichnung: Raum/Räume:
MehrKnowledge Discovery in Databases
Knowledge Discovery in Databases Springer-V erlag Berlin Heidelberg GmbH Martin Ester Jorg Sander Knowledge Discovery in Databases Techniken und Anwendungen Mit 150 Abbildungen i Springer Dr. Martin Ester
MehrFuzzy Logic Prof. Dr. Lotfi Zadeh, Erfindervon Fuzzy Logic
Fuzzy Logic Nouri@nouri.ch 25.09.14 Prof. Dr. Lotfi Zadeh, Erfindervon Fuzzy Logic Theoretische Einführung Was ist Fuzzy Logic? Entwicklungsgeschichte Fuzzy Logic Information und Komplexität Arten der
MehrSession: 1 SO Selbstoptimierte Zustandsüberwachung für die Prognose von Fehlzuständen für Windkraftanlagen SO-Pro (Resolto)
Session: 1 SO Selbstoptimierte Zustandsüberwachung für die Prognose von Fehlzuständen für Windkraftanlagen SO-Pro (Resolto) 06. Juli 2016 Bielefeld www.its-owl.de Agenda Abschlusspräsentation Einführung
MehrFuzzy Control methodenorientiert. von Universitätsprofessor Dr. rer. nat. Harro Kiendl Mit 212 Bildern
Fuzzy Control methodenorientiert von Universitätsprofessor Dr. rer. nat. Harro Kiendl Mit 212 Bildern R. Oldenbourg Verlag München Wien 1997 Inhaltsverzeichnis Vorwort XI 1 Einführung 1 1.1 Entstellung
MehrKapitel 4: Data Mining DATABASE SYSTEMS GROUP. Überblick. 4.1 Einleitung. 4.2 Clustering. 4.3 Klassifikation
Überblick 4.1 Einleitung 4.2 Clustering 4.3 Klassifikation 1 Klassifikationsproblem Gegeben: eine Menge O D von Objekten o = (o 1,..., o d ) O mit Attributen A i, 1 i d eine Menge von Klassen C = {c 1,...,c
Mehrevotron GmbH & Co. KG: Pressemeldung 1 / 2019 Termine der evotronacademy 1. Halbjahr 2019
evotron GmbH & Co. KG: Pressemeldung 1 / 2019 Termine der evotronacademy 1. Halbjahr 2019 Die evotron academy ist ein zukunftsorientierter Dienstleister für praktisches Machine Vision Knowhow. Wir reagieren
MehrSOA verspielt - rekursive BPEL Prozesse
SOA verspielt - rekursive BPEL Prozesse Guido Neander MT AG Ratingen Schlüsselworte SOA, BPEL, rekursive Programmierung, Development, Deployment Einleitung Bei komplexen Problemstellungen (z. B. Aufgaben
MehrAutomatische Klassifikation: Stand der Technik und Veränderungen im Berufsbild des Dokumentars. Automatische Klassifikation:
02. Mai 2005 P R O J E C T C O N S U L T GmbH GmbH 1 Agenda Einführung Automatische Klassifikation Qualität Veränderung des Arbeitsumfeldes Ausblick GmbH 2 1 Einführung GmbH 3 Eine Herausforderung geordnete
MehrKlausurtermine Informatik WS 2018/19 (Prüfungszeitraum vom ) Stand: Änderungen rot markiert - vorbehalten!
Klausurtermine Informatik WS 2018/19 (Prüfungszeitraum vom 04.02 05.04.2019) Stand: 13.11.2018 Änderungen rot markiert - vorbehalten! Wochentag Prüfungstermin: Prüfungsbezeichnung: Raum/Räume: Inf Dienstag
MehrInhalt. 6.1 Motivation. 6.2 Klassifikation. 6.3 Clusteranalyse. 6.4 Asszoziationsanalyse. Datenbanken & Informationssysteme / Kapitel 6: Data Mining
6. Data Mining Inhalt 6.1 Motivation 6.2 Klassifikation 6.3 Clusteranalyse 6.4 Asszoziationsanalyse 2 6.1 Motivation Data Mining and Knowledge Discovery zielt darauf ab, verwertbare Erkenntnisse (actionable
MehrExperimentelle Analyse verteilter Ereigniserkennung in Sensornetzen
Experimentelle Analyse verteilter Ereigniserkennung in Sensornetzen Verteidigung der Diplomarbeit Christian Wartenburger 02022009 Themenübersicht Motivation und Zielsetzung Verwandte Arbeiten Überblick
MehrFPGA-basierte Automatisierungssysteme
Fakultät Informatik Institut für Technische Informatik, Professur für VLSI-Entwurfssysteme, Diagnostik und Architektur FPGA-basierte Automatisierungssysteme Stephan Hensel Dresden, 05.12.2012 Gliederung
Mehr