KNN-Methode zur Einschätzung von Veränderungen des Salzgehaltes in Ästuaren

Größe: px
Ab Seite anzeigen:

Download "KNN-Methode zur Einschätzung von Veränderungen des Salzgehaltes in Ästuaren"

Transkript

1 KNN-Methode zur Einschätzung von Veränderungen des Salzgehaltes in Ästuaren Holger Rahlf; Reiner Schubert Künstlich Neuronales Netz Gliederung Einleitung Grundlagen Möglichkeit und Grenzen Anwendung Ergebnisse Input KNN Output Fazit

2 Einleitung geplante Fahrrinnenanpassungen von Elbe und Weser: Anwendung eines speziellen KNN auf Salzgehaltsmessungen vorgesehen Fachaufgabe der BAW: Beratung der WSV Qualitätssicherung eigener Prognosen d.h. auch Prüfung und ggf. Weiterentwicklung von Beweissicherungsmethoden langjährige Messungen der Leitfähigkeit zeigen Veränderungen im Salzgehalt Tidedynamik führt zu hoher Variation der Salzgehalte in einem Ästuar Brackwasserzone in einem Ästuar Ortspegel 10 km PSU Seite 2

3 Salzgehalt im Weserästuar (15 jährige Zeitreihe, Messungen des WSA Bremerhaven) Oberwasser Intschede Seite 3

4 Grundlagen Simulationsmodelle prozessorientiert datenbasiert Näherungslösung der Navier - Stokes Gleichung und Transportgleichung Beispiel: FD, FE-Verfahren Statistische Analyse von gemessenen Wertepaaren lineare Regression nichtlineare Regression multivariate Regression nichtlineare multivariate Regression Beispiel: KNN Seite 4

5 Veröffentlichungen / Jahr Grundlagen Schrifttum: GetInfo: Datenbank übergreifendes Suchportal ( TIB, WTI, FIZ) Suchergebnisse: neural network salinity 20 Recherche: SmileConsult, 2011 Jahr Software: z.b. Neural Network Toolbox (MatLab ), d.h. Anwendungssoftware verfügbar Seite 5

6 Grundlagen ganz einfach vereinfacht Künstlich Neuronales Netz Neuron 1 Wichtung 0 Neuron Neuron 1 Wichtung 1 Neuron Input KNN Output (1 0) + (2 0) + (3 1) = 3 (1 1) + (2 1) + (3 0) = 3 Seite 6

7 Grundlagen ganz einfach vereinfacht Neuron: mathematische Funktion Netztopologie Σ Eingabe verdeckte Ausgabe Ebene Perzeptron: Neuronen mit sigmoider Funktion ebenenweise verbundenes feed-forward Netz Seite 7

8 Grundlagen ganz einfach vereinfacht gemessene Wertepaare x i,j y i Trainieren (Lernen) (nicht: auswendig lernen!) Validieren (Testen) Anwenden n-mal mit dem gleichen Datensatz nach der Methode der backpropagation Approximationsgüte beachten Ergebnisse statistisch analysieren n - Netze n - mal n Ergebnisse! Seite 8

9 Grundlagen Möglichkeiten (Stärken) Grenzen (Schwächen) kann Erlerntes auf neue Daten anwenden kommt mit beispielhaften Daten aus (Datenlücken stellen kein Problem dar) Aufwändig trainiertes KNN rechnet schnell Statistische Analysen / Signifikanzen physikalisch begründete Funktionen im KNN nicht abbildbar Training kann sehr lange dauern Keine Garantie für optimale Lösung Keine reproduzierbare Lösung Zur Anwendung zur Ermittlung von Änderungen ist anzumerken: bislang wenig Erfahrung! optimale Netztopologie? Wirkung von Trends? Wertebereich der Trainingsdaten beachten! Seite 9

10 Anwendung (Beispiel Weserästuar) Einfluss der Inputparameter auf den max. täglichen Salzgehalt in Rechtenfleth Oberwasser Salzgehalt Oberwasser 9 Tage Vergangenheit Salzgehalt Rechtenfleth Salzgehalt 0,01 * PSU Rechtenfleth aus KNN aus Messung 3 Jahre 3 Jahre Seite 10

11 Anwendung (Beispiel Weserästuar) Netztopologie oder auch (53 -) 1 Oberwasserzufluss Intschede als Tagesmittelwert bis 9 Tage in die Vergangenheit Salzgehalt des OW bei Hemelingen als Tagesmittelwert bis 9 Tage in die Vergangenheit Oberwasserzufluss Hunte bis 4 Tage in die Vergangenheit Tidekennwerte Thw, Tnw, Flut- und Ebbedauer, mittlerer Salzgehalt am Leuchtturm Alte Weser bis 4 Tiden in die Vergangenheit, Windgeschwindigkeit (u,v) alle 6 Stunden (4 mal) Gewählte Zeiträume bis Jahre vor SKN -14m Ausbau Jahre unmittelbar nach SKN -14m Ausbau Jahre morphologischer Zustand Jahre morphologischer Zustand Seite 11

12 Ergebnisse Laufende Untersuchungen zeigen hohe Variationen der Berechnungsergebnisse (SmileConsult GmbH, Hannover) Salzgehaltsänderung * 0,01 PSU Mess - Stationen entlang des Weserästuars [bis 1998] zu [ ] die im Einzelnen noch nicht vollständig geklärt werden können Seite 12

13 Ergebnisse Laufende Untersuchungen zeigen hohe Variationen der Berechnungsergebnisse (SmileConsult GmbH, Hannover) Salzgehaltsänderung * 0,01 PSU Mess - Stationen entlang des Weserästuars [ ] [bis 1998] zu zu [ ] [ ] die im Einzelnen noch nicht vollständig geklärt werden können Seite 13

14 Ergebnisse Laufende Untersuchungen zeigen hohe Variationen der Berechnungsergebnisse (SmileConsult GmbH, Hannover) Salzgehaltsänderung * 0,01 PSU Mess - Stationen entlang des Weserästuars [ ] [bis 1998] zu zu [ ] [ ] die im Einzelnen noch nicht vollständig geklärt werden können Seite 14

15 Fazit KNN ist ein anerkanntes datenbasiertes Simulationsmodell. Qualität und Güte des Simulationsergebnisses hängen im wesentlichen ab von der Qualität der verfügbaren Messdaten, den Eingabeparametern, der Netztopologie und dem Trainingszeitraum. Mit KNN ermittelte Änderungen der Salzgehalte in der Unterweser ergeben sich in jeder betrachteten Epoche, sind wahrscheinlich kleiner 0,5 PSU in den betrachteten Epochen, sind nicht immer physikalisch plausibel. Können mit der Methode ausbaubedingte Änderungen ermittelt werden? JA, wenn die Änderungen groß und eindeutig sind und gute, lange, charakteristische Datenreihen vorliegen. NEIN, wenn die Änderungen klein und die Variationen groß bzw. die Daten schlecht sind sowie ausbauunabhängige Änderungen im System auftreten. ABER: Gute und anerkannte Methode für nichtlineare multivariate Regressionsprobleme. Derzeit sollte die Methode ergänzend zu den bekannten daten- und prozessbasierten Modellen eingesetzt werden. Seite 15

Forschungsbericht 01/2011

Forschungsbericht 01/2011 Forschungsbericht 1/211 Niedersächsischer Landesbetrieb für Wasserwirtschaft, Küsten- und Naturschutz -Forschungsstelle Küste- 11 1 9 Datensatz 1997-1998 y =,99 x + 3,6 18 16 Datensatz 26-28 y = 1,3691

Mehr

Einleitung von Sole in die Innenjade (Systemtest im bestehenden 3D-HN-Modell der BAW)

Einleitung von Sole in die Innenjade (Systemtest im bestehenden 3D-HN-Modell der BAW) BAW Hamburg Bundesanstalt für Wasserbau Ilmenau - Karlsruhe - Hamburg - Ilmenau Dipl.-Ing. Holger Rahlf Karlsruhe http://www.baw.de http://www.baw.de BAW-DH / Januar 21 Folie-Nr. 1 BUNDESANSTALT FÜR WASSERBAU

Mehr

Vergleichende Analyse der Sturmflutempfindlichkeit für Ems, Jade-Weser und Elbe

Vergleichende Analyse der Sturmflutempfindlichkeit für Ems, Jade-Weser und Elbe Untersuchung regionaler Windwirkung, hydrodynamischer Systemzustände und Oberwassereinflüsse auf das Sturmflutgeschehen in Tideästuarien Vergleichende Analyse der Sturmflutempfindlichkeit für Ems, Jade-Weser

Mehr

kurze Wiederholung der letzten Stunde: Neuronale Netze Dipl.-Inform. Martin Lösch (0721) Dipl.-Inform.

kurze 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

Mehr

Mögliche Folgen des Klimawandels für die Wasserstraßen

Mögliche Folgen des Klimawandels für die Wasserstraßen Mögliche Folgen des Klimawandels für die Wasserstraßen Untersuchungen zur Lage der Brackwasserzone in Abhängigkeit vom Oberwasserzufluss Rita Seiffert, Fred Hesser, Ingrid Holzwarth, Elisabeth Rudolph,

Mehr

Praktikum Computational Intelligence 2 Ulrich Lehmann, Johannes Brenig, Michael Schneider

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

Mehr

6.2 Feed-Forward Netze

6.2 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

Mehr

Wir haben in den vorherigen Kapiteln verschiedene Verfahren zur Regression und Klassifikation kennengelernt (z.b. lineare Regression, SVMs)

Wir 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

Mehr

Künstliche Neuronale Netze

Künstliche Neuronale Netze Künstliche Neuronale Netze als Möglichkeit, einer Maschine das Lesen beizubringen Anja Bachmann 18.12.2008 Gliederung 1. Motivation 2. Grundlagen 2.1 Biologischer Hintergrund 2.2 Künstliche neuronale Netze

Mehr

Neuronale Netze - Auswertung

Neuronale 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

Mehr

Neuronale Netze Aufgaben 3

Neuronale 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

Mehr

Schwebstoffmessungen Ein unverzichtbarer Beitrag zur Validierung numerischer Simulationsmodelle

Schwebstoffmessungen Ein unverzichtbarer Beitrag zur Validierung numerischer Simulationsmodelle Ausbauten der Seehafenzufahrten Ein unverzichtbarer Beitrag zur Validierung numerischer Simulationsmodelle Dr. Steffen Grünler, Dipl.-Ing. Christian Maushake & Dr. Marius Becker (Marum) www.baw.de Aufbau

Mehr

Deckblatt zum Versuch:

Deckblatt zum Versuch: Deckblatt zum Versuch: Angaben zum Experiment Name: Gruppennummer: Tutor: Datum der Abgabe: Stempel/ Tutor-Unterschrift / Punkte Die nachstehende Checkliste bildet die Anforderungen an den Bericht im PhysikPraktikum

Mehr

Automatische Spracherkennung

Automatische Spracherkennung Automatische Spracherkennung 3 Vertiefung: Drei wichtige Algorithmen Teil 3 Soweit vorhanden ist der jeweils englische Fachbegriff, so wie er in der Fachliteratur verwendet wird, in Klammern angegeben.

Mehr

Wohin gelangen die mit dem Oberwasser in das Ästuar eingetragenenschwebstoffe? Ein Beitrag zur Schwebstoffdynamik und zur Verweilzeit des Oberwassers

Wohin gelangen die mit dem Oberwasser in das Ästuar eingetragenenschwebstoffe? Ein Beitrag zur Schwebstoffdynamik und zur Verweilzeit des Oberwassers Wohin gelangen die mit dem Oberwasser in das Ästuar eingetragenenschwebstoffe? Ein Beitrag zur Schwebstoffdynamik und zur Verweilzeit des Oberwassers BAW - DH / 2005-11 K3 Folie-Nr. 1 Plüß - Kahlfeld -

Mehr

Von der Bestimmung zur Vorhersage: Wie sagt man den Netzzustand vorher?

Von der Bestimmung zur Vorhersage: Wie sagt man den Netzzustand vorher? Janosch Henze Von der Bestimmung zur Vorhersage: Wie sagt man den Netzzustand vorher? mit Unterstützung vom Fachgebiet Intelligente Eingebettete Systeme Universität Kassel Elektrotechnik / Informatik 07.

Mehr

Neuronale Netze. Christian Böhm.

Neuronale 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

Mehr

Wissensentdeckung in Datenbanken

Wissensentdeckung in Datenbanken Wissensentdeckung in Datenbanken Deep Learning (II) Nico Piatkowski und Uwe Ligges Informatik Künstliche Intelligenz 25.07.2017 1 von 14 Überblick Faltungsnetze Dropout Autoencoder Generative Adversarial

Mehr

OptempS-MohoWif. Optimierung empirischer Sturmflutvorhersagen und Modellierung hoch auflösender Windfelder

OptempS-MohoWif. Optimierung empirischer Sturmflutvorhersagen und Modellierung hoch auflösender Windfelder OptempS MohoWif Optimierung empirischer Sturmflutvorhersagen und Modellierung hoch auflösender Windfelder 1 Zentrale Projektziele Nachrechnung von 40 sturmfluterzeugenden Wetterlagen der vergangenen 50

Mehr

Untersuchungen zur Entwicklung und zur Verbesserung der Unterhaltung im Emsästuar

Untersuchungen zur Entwicklung und zur Verbesserung der Unterhaltung im Emsästuar Untersuchungen zur Entwicklung und zur Verbesserung der Unterhaltung im Emsästuar Untersuchungskonzeption und Herausforderungen Jens Jürges, Ingrid Uliczka, Holger Weilbeer und Norbert Winkel http://www.baw.de/vip/abteilungen/wbk/veranstaltungen.php.html

Mehr

Perzeptronen. 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 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

Mehr

Modellierung mit künstlicher Intelligenz

Modellierung mit künstlicher Intelligenz Samuel Kost kosts@mailbox.tu-freiberg.de Institut für Numerische Mathematik und Optimierung Modellierung mit künstlicher Intelligenz Ein Überblick über existierende Methoden des maschinellen Lernens 13.

Mehr

Praktikum Computational Intelligence 2 Ulrich Lehmann, Johannes Brenig, Michael Schneider

Praktikum 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

Mehr

Praktische Optimierung

Praktische 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

Mehr

Sedimentdynamik und morphologische Prozesse der Tideelbe

Sedimentdynamik und morphologische Prozesse der Tideelbe Sedimentdynamik und morphologische Prozesse der Tideelbe Tideelbesymposium am 6. und 7. Nov. 2006 Integration von verkehrlicher Nutzung und Umweltzielen an der Tideelbe BAW - DH / 2006-11 Folie-Nr. 1 Gezeiten

Mehr

CD-AUSGABE (Stand: 1999) HANDBUCH KURSPROGNOSE Quantitative Methoden im Asset Management von Thorsten Poddig 676 Seiten, Uhlenbruch Verlag, 1999 erstmals als Buch publiziert EUR 79,- inkl. MwSt. und Versand

Mehr

Anforderungen an Verfahren und Methoden wasserbaulicher Systemanalysen

Anforderungen an Verfahren und Methoden wasserbaulicher Systemanalysen Anforderungen an Verfahren und Methoden wasserbaulicher Systemanalysen www.baw.de Dipl.-Ing. Ulrich Günther SBL 2 WSA Bremerhaven und Leiter Projektgruppe Weseranpassung (WAP) Ausbauten Dr. Frank der Kösters

Mehr

Einfluß von Veränderungen des Flutraumes im Flachwasserbereich auf die Tidedynamik der Elbe

Einfluß von Veränderungen des Flutraumes im Flachwasserbereich auf die Tidedynamik der Elbe Einfluß von Veränderungen des Flutraumes im Flachwasserbereich auf die Tidedynamik der Elbe Bundesanstalt für Wasserbau Abteilung Küste WWW-Server: http://www.hamburg.baw.de/ Mai 1999 zurück zur Startfolie

Mehr

Analyse der Wasserstände der Tideelbe für die Beweissicherung

Analyse der Wasserstände der Tideelbe für die Beweissicherung Analyse der Wasserstände der Tideelbe für die Beweissicherung aktualisierte und erweiterte Ergebnisse Marko Kastens BAW - DH / Folie-Nr. 1 MThb-Entwicklung seit 1998 - Helgoland 244 242 MThb [cm] 24 238

Mehr

(hoffentlich kurze) Einführung: Neuronale Netze. Dipl.-Inform. Martin Lösch. (0721) Dipl.-Inform.

(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

Mehr

Neuronale Netze. Anna Wallner. 15. Mai 2007

Neuronale 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

Mehr

Hydrologische und morphologische Entwicklungen an der Tideelbe

Hydrologische und morphologische Entwicklungen an der Tideelbe Hydrologische und morphologische Entwicklungen an der Tideelbe Marcus J. Boehlich Bundesanstalt für Wasserbau, Hamburg Zu dieser Zeit konnte eine Schiffsreise von Hamburg bis zur Mündung über 4 Wochen

Mehr

Kapitel 10. Maschinelles Lernen Lineare Regression. Welche Gerade? Problemstellung. Th. Jahn. Sommersemester 2017

Kapitel 10. Maschinelles Lernen Lineare Regression. Welche Gerade? Problemstellung. Th. Jahn. Sommersemester 2017 10.1 Sommersemester 2017 Problemstellung Welche Gerade? Gegeben sind folgende Messungen: Masse (kg) 1.5 2.0 2.5 3.0 3.5 4.0 4.5 5.0 Kraft (N) 1.6 2.2 3.2 3.0 4.9 5.7 7.1 7.3 8.1 Annahme: Es gibt eine Funktion

Mehr

Mittelfristige Tide- und Seegangsmodellierung für das Einzugsgebiet des Norderneyer Seegats

Mittelfristige Tide- und Seegangsmodellierung für das Einzugsgebiet des Norderneyer Seegats Mittelfristige Tide- und Seegangsmodellierung für das Einzugsgebiet des Norderneyer Seegats Ralf Kaiser, Agnieszka Herman & Hanz D. Niemeyer Niedersächsischer Landesbetrieb für Wasserwirtschaft, Küsten-

Mehr

Neuronale Netze in der Phonetik: Feed-Forward Netze. Pfitzinger, Reichel IPSK, LMU München {hpt 14.

Neuronale Netze in der Phonetik: Feed-Forward Netze. Pfitzinger, Reichel IPSK, LMU München {hpt 14. Neuronale Netze in der Phonetik: Feed-Forward Netze Pfitzinger, Reichel IPSK, LMU München {hpt reichelu}@phonetik.uni-muenchen.de 14. Juli 2006 Inhalt Typisierung nach Aktivierungsfunktion Lernen in einschichtigen

Mehr

BACKPROPAGATION & FEED-FORWARD DAS MULTILAYER PERZEPTRON

BACKPROPAGATION & FEED-FORWARD DAS MULTILAYER PERZEPTRON BACKPROPAGATION & FEED-FORWARD DAS MULTILAYER PERZEPTRON EINFÜHRUNG IN KÜNSTLICHE NEURONALE NETZE Modul Leitung Technischer Datenschutz und Mediensicherheit Nils Tekampe Vortrag Jasmin Sunitsch Abgabe

Mehr

Mustererkennung: Neuronale Netze. D. Schlesinger ()Mustererkennung: Neuronale Netze 1 / 12

Mustererkennung: Neuronale Netze. D. Schlesinger ()Mustererkennung: Neuronale Netze 1 / 12 Mustererkennung: Neuronale Netze D. Schlesinger ()Mustererkennung: Neuronale Netze 1 / 12 Feed-Forward Netze y 1 y 2 y m...... x 1 x 2 x n Output Schicht i max... Zwischenschicht i... Zwischenschicht 1

Mehr

Elbe Ästuar. Analyse Ist-Zustand und historische Zustände

Elbe Ästuar. Analyse Ist-Zustand und historische Zustände Elbe Ästuar Analyse Ist-Zustand und historische Zustände Gemeinsames Kolloquium der Bundesanstalt für Wasserbau, Dienststelle Hamburg und der Bundesanstalt für Gewässerkunde Erfahrungsaustausch zur Untersuchung

Mehr

Was sind Neuronale Netze?

Was sind Neuronale Netze? Neuronale Netze Universität zu Köln SS 2010 Seminar: Künstliche Intelligenz II Dozent: Stephan Schwiebert Referenten: Aida Moradi, Anne Fleischer Datum: 23. 06. 2010 Was sind Neuronale Netze? ein Netzwerk

Mehr

AUTOMATION DER ANALYSE UND VORHERSAGE VON ENERGIEDATEN AI-BASED IOT PLATFORM

AUTOMATION DER ANALYSE UND VORHERSAGE VON ENERGIEDATEN AI-BASED IOT PLATFORM AUTOMATION DER ANALYSE UND VORHERSAGE VON ENERGIEDATEN AI-BASED IOT PLATFORM ifesca GmbH GRÜNDUNG DURCH EHEMALIGE FRAUNHOFER- WISSENSCHAFTLER EXPERTEN AUF DEM GEBIET ENERGIE- WIRTSCHAFT UND SOFTWARETECHNIK

Mehr

Sturmflutuntersuchungen für den geplanten JadeWeserPort

Sturmflutuntersuchungen für den geplanten JadeWeserPort Previous Next First Last Back Go-To Full-Screen Quit /1 Seite1 BAW-Kolloquium Wasserbauliche Systemanalyse für den JadeWeserPort Sturmflutuntersuchungen für den geplanten JadeWeserPort Elisabeth Rudolph

Mehr

Auswirkungen des Klimawandels und Fahrrinnenanpassung der Elbe bei Hamburg

Auswirkungen des Klimawandels und Fahrrinnenanpassung der Elbe bei Hamburg Wittenbergen 3.1.1976 Dr. Elisabeth Rudolph Auswirkungen des Klimawandels und Fahrrinnenanpassung der Elbe bei Hamburg Bedeutung für die Wasserstände bei Sturmflut Fachtagung: Sturmflut in Hamburg aber

Mehr

kurze Wiederholung der letzten Stunde: Neuronale Netze Dipl.-Inform. Martin Lösch (0721) Dipl.-Inform.

kurze 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

Mehr

Aktuelle Situation an der Ems und mögliche Lösungsansätze: Masterplan Ems 2050

Aktuelle Situation an der Ems und mögliche Lösungsansätze: Masterplan Ems 2050 Aktuelle Situation an der Ems und mögliche Lösungsansätze: Marie Naulin (BAW), Karin Ritter (WSA Emden), Jens Jürges (BAW) www.baw.de WSA Emden BAW WSA Emden (Nicklau) BAWKolloquium Hamburg, 18. Juni 2015

Mehr

Mann-Whitney-U-Test: Tiefenstufen

Mann-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

Mehr

Wir haben in den vorherigen Kapiteln verschiedene Verfahren zur Regression und Klassifikation kennengelernt (z.b. lineare Regression, SVMs)

Wir 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

Mehr

Grundlagen zu neuronalen Netzen. Kristina Tesch

Grundlagen 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

Mehr

Weitere Untersuchungen hinsichtlich der Anwendung von KNN für Solvency 2. Tom Schelthoff

Weitere 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

Mehr

Hannah Wester Juan Jose Gonzalez

Hannah 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

Mehr

Semester-Fahrplan 1 / 26

Semester-Fahrplan 1 / 26 Semester-Fahrplan 1 / 26 Hydroinformatik I Einführung in die Hydrologische Modellierung Künstliche Neuronale Netzwerke Olaf Kolditz *Helmholtz Centre for Environmental Research UFZ 1 Technische Universität

Mehr

Künstliche Neuronale Netze

Künstliche 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

Mehr

Untersuchung zur Wirkung von Flutraumvergrößerungen im Rahmen des Tideelbe-Konzeptes

Untersuchung zur Wirkung von Flutraumvergrößerungen im Rahmen des Tideelbe-Konzeptes Untersuchung zur Wirkung von Flutraumvergrößerungen im Rahmen des Tideelbe-Konzeptes Ein Werkstattbericht zur Untersuchung unterschiedlicher Maßnahmen im Hamburger Raum und ihre Wirkung auf die Tidedynamik.

Mehr

Maschinelles Lernen: Neuronale Netze. Ideen der Informatik Kurt Mehlhorn

Maschinelles Lernen: Neuronale Netze. Ideen der Informatik Kurt Mehlhorn Maschinelles Lernen: Neuronale Netze Ideen der Informatik Kurt Mehlhorn 16. Januar 2014, überarbeitet am 20. Januar 2017 Übersicht Stand der Kunst: Bilderverstehen, Go spielen Was ist ein Bild in Rohform?

Mehr

11. Neuronale Netze 1

11. Neuronale Netze 1 11. Neuronale Netze 1 Einführung (1) Ein künstliches neuronales Netz ist vom Konzept her eine Realisierung von miteinander verschalteten Grundbausteinen, sogenannter Neuronen, welche in rudimentärer Form

Mehr

Universelles integriertes geophysikalisches Mess- und Auswerteinstrumentarium zur Charakterisierung von Problemzonen im Salinar

Universelles integriertes geophysikalisches Mess- und Auswerteinstrumentarium zur Charakterisierung von Problemzonen im Salinar Universelles integriertes geophysikalisches Mess- und Auswerteinstrumentarium zur Charakterisierung von Problemzonen im Salinar Uni Leipzig, Institut für Geophysik und Geologie Projektkoordination Geoelektrik

Mehr

Wärmebedarfsprognose für Einfamilienhaushalte auf Basis von Künstlichen Neuronalen Netzen

Wärmebedarfsprognose 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

Mehr

Eine kleine Einführung in neuronale Netze

Eine kleine Einführung in neuronale Netze Eine kleine Einführung in neuronale Netze Tobias Knuth November 2013 1.2 Mensch und Maschine 1 Inhaltsverzeichnis 1 Grundlagen neuronaler Netze 1 1.1 Kopieren vom biologischen Vorbild...... 1 1.2 Mensch

Mehr

Künstliche Neuronale Netze

Künstliche Neuronale Netze Inhalt (Biologische) Neuronale Netze Schwellenwertelemente Allgemein Neuronale Netze Mehrschichtiges Perzeptron Weitere Arten Neuronaler Netze 2 Neuronale Netze Bestehend aus vielen Neuronen(menschliches

Mehr

Ansätze zur Quantifizierung des Eintriebes von Sedimenten in die Fahrrinne der Unterems

Ansätze zur Quantifizierung des Eintriebes von Sedimenten in die Fahrrinne der Unterems Ansätze zur Quantifizierung des Eintriebes von Sedimenten in die Fahrrinne der Unterems BAW-Kolloquium, Hamburg, Dr.-Ing. Frank Sellerhoff smile consult GmbH Fragestellung: Lässt sich der Wiedereintrieb

Mehr

Einsatz neuronaler Netze zur Kompensation von Kommunikationsausfällen im Speicherbetrieb

Einsatz neuronaler Netze zur Kompensation von Kommunikationsausfällen im Speicherbetrieb Professur für Elektrische Energieversorgungsnetze Fakultät für Elektrotechnik und Informationstechnik Technische Universität München Einsatz neuronaler Netze zur Kompensation von Kommunikationsausfällen

Mehr

Neuronale Netze in der Phonetik: Grundlagen. Pfitzinger, Reichel IPSK, LMU München {hpt 24.

Neuronale Netze in der Phonetik: Grundlagen. Pfitzinger, Reichel IPSK, LMU München {hpt 24. Neuronale Netze in der Phonetik: Grundlagen Pfitzinger, Reichel IPSK, LMU München {hpt reichelu}@phonetik.uni-muenchen.de 24. Mai 2006 Inhalt Einführung Maschinelles Lernen Lernparadigmen Maschinelles

Mehr

Welchen Einfluss haben sehr hohe Abflüsse der Elbe auf die Wasserstände der Tideelbe?

Welchen Einfluss haben sehr hohe Abflüsse der Elbe auf die Wasserstände der Tideelbe? Previous Next First Last Back Go-To Full-Screen Quit /1 Seite 1 BAW-Kolloquium Modellierung und Analyse von Strömungs- und Transportprozessen in Ästuaren Welchen Einfluss haben sehr hohe Abflüsse der Elbe

Mehr

Realisierung von CI- Regelalgorithmen auf verschiedenen Hardwareplattformen

Realisierung 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.

Mehr

Das Frühwarnsystem für die. Das Frühwarnsystem für die Ausliefer-Produkt-Audits (APA) (APA)

Das Frühwarnsystem für die. Das Frühwarnsystem für die Ausliefer-Produkt-Audits (APA) (APA) Das Frühwarnsystem für die Das Frühwarnsystem für die Ausliefer-Produkt-Audits (APA) (APA) Das Frühwarnsystem für die Ausliefer-Produkt-Audits (APA) Gliederung: Auswertung der APA-Daten Datengrundlage

Mehr

Untersuchungskonzeption. Untersuchungskonzeption für die wasserbauliche Systemanalyse BHV WHV. Bremen

Untersuchungskonzeption. Untersuchungskonzeption für die wasserbauliche Systemanalyse BHV WHV. Bremen BAW-AK - Vortragsveranstaltung 19. Juni 2003 Wasserbauliche Systemanalyse für den JadeWeserPort Untersuchungskonzeption für die wasserbauliche Systemanalyse ( Dipl.- Ing. Holger Rahlf ) Inhalt: Vorbemerkung

Mehr

Model Output Statistics (MOS)

Model Output Statistics (MOS) Model Output Statistics (MOS) Numerische Modelle zur Wettervorhersage (NWV Modelle) berechnen den zukünftigen Zustand der Atmosphäre zu bestimmten Zeitpunkten (Prognose). Als Basis für die Berechnung der

Mehr

Wissensentdeckung in Datenbanken

Wissensentdeckung in Datenbanken Wissensentdeckung in Datenbanken Deep Learning Nico Piatkowski und Uwe Ligges Informatik Künstliche Intelligenz 20.07.2017 1 von 11 Überblick Künstliche Neuronale Netze Motivation Formales Modell Aktivierungsfunktionen

Mehr

Qualitätssicherung beim Spritzgießen Regelung von Prozessgrößen zur Steigerung der Qualitätskonstanz

Qualitätssicherung beim Spritzgießen Regelung von Prozessgrößen zur Steigerung der Qualitätskonstanz Qualitätssicherung beim Spritzgießen Regelung von Prozessgrößen zur Steigerung der Qualitätskonstanz Dipl.-Ing. Andreas Schreiber Institut für Kunststoffverarbeitung an der RWTH Aachen 24. April 2009 Gliederung

Mehr

Tidedynamik der Jade Systemcharakteristik

Tidedynamik der Jade Systemcharakteristik Anmerkungen zur Tidedynamik der Jade Systemcharakteristik Bundesanstalt für Wasserbau Abteilung Küste WWW-Server: http://www.hamburg.baw.de/ April 1999 /1 Seite 1 Die (Innen-) Jade (einschl. Jadebusen)

Mehr

Empirische Studien zur Stauentwicklung in der Tideelbe

Empirische Studien zur Stauentwicklung in der Tideelbe Empirische Studien zur Stauentwicklung in der Tideelbe 28.10.2009 Teilprojekt OPTEL - D Aufgaben Datengrundlage zur Validierung der Modelle liefern 6 Szenarien mit unterschiedlichen hydrologischen Randbedingungen

Mehr

KLIWAS Auswirkungen des Klimawandels auf Wasserstraßen und Schifffahrt

KLIWAS Auswirkungen des Klimawandels auf Wasserstraßen und Schifffahrt KLIWAS Auswirkungen des Klimawandels auf Wasserstraßen und Schifffahrt - Entwicklung von Anpassungsoptionen Das hydrologische System der Wasserstraßen im Küsten- und Ästuarbereich (Vorhaben 2: Klimawandel

Mehr

Interpretation der Veränderung des Trockenfallens im Hinblick auf. Sielzugdauer und Vorflut

Interpretation der Veränderung des Trockenfallens im Hinblick auf. Sielzugdauer und Vorflut Interpretation der Veränderung des Trockenfallens im Hinblick auf Sielzugdauer und Vorflut Elisabeth Rudolph Bundesanstalt für Wasserbau Abteilung Küste WWW-Server: http://www.hamburg.baw.de/ Mai 1999

Mehr

Künstliche Neuronale Netze und Data Mining

Künstliche 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

Mehr

Fahrrinnenanpassung der Unter- und Außenelbe Schlussfolgerungen der BAW aus dem Urteil des BVerwG zur Klage der Umweltverbände

Fahrrinnenanpassung der Unter- und Außenelbe Schlussfolgerungen der BAW aus dem Urteil des BVerwG zur Klage der Umweltverbände Fahrrinnenanpassung der Unter- und Außenelbe Schlussfolgerungen der BAW aus dem Urteil des BVerwG zur Klage der Umweltverbände Holger Rahlf, Dr. Norbert Winkel www.baw.de Inhalt 1. Vorwort 2. Beteiligung

Mehr

Gewässerkundliche Information Gewässerkundliches Jahr 2017 ( )

Gewässerkundliche Information Gewässerkundliches Jahr 2017 ( ) Pegel Hamburg-St.Pauli AM Gewässerkunde Hr. Heyenga, 42847-2405 Hydrologie Hr. Strotmann, 42847-2801 Gewässerkundliche Information Gewässerkundliches Jahr ( 01.11.2016-31.10.) 5-5 - 2013 - + 5,48 m (29.10.17)

Mehr

Maschinelles Lernen: Neuronale Netze. Ideen der Informatik Kurt Mehlhorn

Maschinelles Lernen: Neuronale Netze. Ideen der Informatik Kurt Mehlhorn Maschinelles Lernen: Neuronale Netze Ideen der Informatik Kurt Mehlhorn 16. Januar 2014, überarbeitet am 20. Januar 2017 Übersicht Stand der Kunst: Bilderverstehen, Go spielen Was ist ein Bild in Rohform?

Mehr

Hydrodynamik des Weserästuars

Hydrodynamik des Weserästuars Hydrodynamik des Weserästuars DR.-ING. REINER SCHUBERT, DIPL.-ING. HOLGER RAHLF, BUNDESANSTALT FÜR WASSERBAU, DIENSTSTELLE HAMBURG, REFERAT ÄSTUARSYS TEME I Unter- und Außenweser Als Unterweser wird der

Mehr

Bundesanstalt für r Wasserbau - Dienststelle Hamburg-

Bundesanstalt für r Wasserbau - Dienststelle Hamburg- Bundesanstalt für r Wasserbau - Dienststelle Hamburg- Fahrrinnenanpassungen der Unter-und Außenweser einschließlich lich Tiefenanpassung der hafenbezogenen Wendestelle an die Entwicklungen im Schiffsverkehr

Mehr

Sturmflutuntersuchungen für das Elbeästuar vor dem Hintergrund des beantragten Ausbaus der Seehafenzufahrt nach Hamburg

Sturmflutuntersuchungen für das Elbeästuar vor dem Hintergrund des beantragten Ausbaus der Seehafenzufahrt nach Hamburg Sturmflutuntersuchungen für das Elbeästuar vor dem Hintergrund des beantragten Ausbaus der Seehafenzufahrt nach Hamburg Elisabeth Rudolph Bundesanstalt für Wasserbau Dienststelle Hamburg Wedeler Landstrasse

Mehr

Statistische Methoden in der hydrologischen Vorhersage der BfG

Statistische Methoden in der hydrologischen Vorhersage der BfG Statistische Methoden in der hydrologischen Vorhersage der BfG Bastian Klein, Dennis Meißner, Silke Rademacher Referat M2 - Wasserhaushalt, Vorhersagen und Prognosen Bundesanstalt für Gewässerkunde, Koblenz

Mehr

Neuronale 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 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

Mehr

Validierung des Basismodells Jade-Weser-Ästuar für das Verfahren UnTRIM2007-SediMorph Version 1: Topographie 2002

Validierung des Basismodells Jade-Weser-Ästuar für das Verfahren UnTRIM2007-SediMorph Version 1: Topographie 2002 Validierung des Basismodells Jade-Weser-Ästuar für das Verfahren UnTRIM2007-SediMorph Version 1: Topographie 2002 Validierung des Basismodells Jade-Weser-Ästuar für das Verfahren UnTRIM2007-SediMorph

Mehr

Lösungen zur letzten Stunde & Vorbereitung

Lösungen zur letzten Stunde & Vorbereitung Wiederholung und Vorbereitung: Lösungen zur letzten Stunde & Vorbereitung martin.loesch@kit.edu (0721) 608 45944 Besprechung XOR-Aufgabe Übersicht Besprechung 3-Klassen-Aufgabe Framework für Perzeptron-Lernen

Mehr

Institut für Angewandte Mikroelektronik und Datentechnik Fachbereich Elektrotechnik und Informationstechnik Universität Rostock.

Institut für Angewandte Mikroelektronik und Datentechnik Fachbereich Elektrotechnik und Informationstechnik Universität Rostock. Seite 1 Implementierung Neuronaler Netze mittels Digit-Online Algorithmen Vortrag im Rahmen des 10. Symposium Maritime Elektronik 2001 M.Haase, A.Wassatsch, D.Timmermann Seite 2 Gliederung Was sind Neuronale

Mehr

Kalibrierung und Validierung eines Simulationsmodells für die Tideems

Kalibrierung und Validierung eines Simulationsmodells für die Tideems Kalibrierung und Validierung eines Simulationsmodells für die Tideems Im Rahmen des Kolloquiums Aktuelle Untersuchungen an der Ems und Ergebnisse aus Forschungsarbeiten zur Schlickdynamik und zum Klimawandel

Mehr

Schwermetalle als Indikatoren für die Schwebstoffdynamik von Tideflüssen

Schwermetalle als Indikatoren für die Schwebstoffdynamik von Tideflüssen Schwermetalle als Indikatoren für die Schwebstoffdynamik von Tideflüssen Dr. Birgit Schubert Referat Grundsatzfragen der qualitativen Gewässerkunde Bundesanstalt für Gewässerkunde, Koblenz Seite 1 Fragestellung

Mehr

Der Backpropagation-Algorithmus als Beispiel für Lernalgorithmen künstlicher neuronaler Netze Reinhard Eck 1

Der Backpropagation-Algorithmus als Beispiel für Lernalgorithmen künstlicher neuronaler Netze Reinhard Eck 1 Der Backpropagation-Algorithmus als Beispiel für Lernalgorithmen künstlicher neuronaler Netze 2.04.2006 Reinhard Eck Was reizt Informatiker an neuronalen Netzen? Wie funktionieren Gehirne höherer Lebewesen?

Mehr

Zur 3D-Modellierung der Tidedynamik im Ems-Ästuar Einfluss barokliner Prozesse auf das Strömungsprofil

Zur 3D-Modellierung der Tidedynamik im Ems-Ästuar Einfluss barokliner Prozesse auf das Strömungsprofil Previous Next First Last Back Go-To Full-Screen Quit /1 Seite 1 Zur 3D-Modellierung der Tidedynamik im Ems-Ästuar Einfluss barokliner Prozesse auf das Strömungsprofil Bundesanstalt für Wasserbau Dienststelle

Mehr

Neuronale Netze u. Anwendungen, 17. Jan. 2012

Neuronale Netze u. Anwendungen, 17. Jan. 2012 Neuronale Netze u. Anwendungen, 17. Jan. 2012 Backpropagation Implementation Speed, Training Generalization Choice of Architecture Algorithms Backpropagation is Computer Intenstive during Training very

Mehr

Maschinelles Lernen: Neuronale Netze. Ideen der Informatik

Maschinelles 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

Mehr

Maschinelles Lernen: Neuronale Netze. Ideen der Informatik Kurt Mehlhorn

Maschinelles 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

Mehr

Wechselkursenprognosen mit Methoden der künstlichen Intelligenz

Wechselkursenprognosen mit Methoden der künstlichen Intelligenz Wechselkursenprognosen mit Methoden der künstlichen Intelligenz Bachelorarbeit zur Erlangung des akademischen Grades Bachelor of Science (B.Sc.) im Studiengang Wirtschaftswissenschaft der Wirtschaftswissenschaftlichen

Mehr

Entwicklung der Wasserstände in der Tideelbe ermittelt durch das Partialtiden(PT)-Verfahren

Entwicklung der Wasserstände in der Tideelbe ermittelt durch das Partialtiden(PT)-Verfahren Entwicklung der Wasserstände in der Tideelbe ermittelt durch das Partialtiden(PT)-Verfahren BAW - DH / 2005-11 Folie-Nr. 1 16.11.2005 Marko.Kastens@BAW.de Was sind Partialtiden und wie entstehen sie? Eine

Mehr

Jürgen Lesti. Analyse des Anbieterwechsels. mit Hidden-Markov-Modellen. Empirische Untersuchung im Retail Banking. Verlag Dr.

Jürgen Lesti. Analyse des Anbieterwechsels. mit Hidden-Markov-Modellen. Empirische Untersuchung im Retail Banking. Verlag Dr. Jürgen Lesti Analyse des Anbieterwechsels mit Hidden-Markov-Modellen Empirische Untersuchung im Retail Banking Verlag Dr. Kovac Hamburg 2015 XIII Inhaltsverzeichnis Geleitwort Vorwort Danksagung Abbildungsverzeichnis

Mehr

Einführung in die Neuroinformatik Lösungen zum 5. Aufgabenblatt

Einführung 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

Mehr

MULTILAYER-PERZEPTRON

MULTILAYER-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

Mehr

Hydrodynamische Belastungen an Seeschifffahrtsstraßen

Hydrodynamische Belastungen an Seeschifffahrtsstraßen Hydrodynamische Belastungen an Seeschifffahrtsstraßen Ästuarsysteme I (K2) - Dr.-Ing. K. Uliczka www.baw.de Ufersicherungen an Seeschifffahrts- und Binnenschifffahrtsstraßen BAWKolloquium Dienststelle

Mehr

TEIL 12: BIVARIATE ANALYSE FÜR METRISCH SKALIERTE VARIABLEN

TEIL 12: BIVARIATE ANALYSE FÜR METRISCH SKALIERTE VARIABLEN TEIL 12: BIVARIATE ANALYSE FÜR METRISCH SKALIERTE VARIABLEN GLIEDERUNG Bivariate Analyse für metrisch skalierte Variablen Grundlagen Streudiagramme und Visualisierungen von Zusammenhängen Positive lineare

Mehr

kurze Wiederholung der letzten Stunde: Neuronale Netze Dipl.-Inform. Martin Lösch (0721) Dipl.-Inform.

kurze 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

Mehr