Multivariante Adaption mit modularisierten künstlichen neuronalen Netzen:
Gespeichert in:
| 1. Verfasser: | |
|---|---|
| Format: | Abschlussarbeit Buch |
| Sprache: | German |
| Veröffentlicht: |
Düsseldorf
VDI-Verl.
2009
|
| Ausgabe: | Als Ms. gedr. |
| Schriftenreihe: | Fortschritt-Berichte VDI
Reihe 10, Informatik, Kommunikation ; 799 |
| Schlagworte: | |
| Online-Zugang: | Inhaltsverzeichnis |
| Beschreibung: | Hauptsacht. mit Druckfehler: Multivariante Adaption mit modularisierten künstlichen neuronalen Netzen |
| Beschreibung: | XVIII, 186 S. Ill., graph. Darst. 21 cm |
| ISBN: | 9783183799107 |
Internformat
MARC
| LEADER | 00000nam a2200000 cb4500 | ||
|---|---|---|---|
| 001 | BV035752815 | ||
| 003 | DE-604 | ||
| 005 | 20091005 | ||
| 007 | t | ||
| 008 | 091004s2009 ad|| m||| 00||| ger d | ||
| 020 | |a 9783183799107 |9 978-3-18-379910-7 | ||
| 035 | |a (OCoLC)439767593 | ||
| 035 | |a (DE-599)HBZHT016052293 | ||
| 040 | |a DE-604 |b ger |e rakwb | ||
| 041 | 0 | |a ger | |
| 049 | |a DE-210 |a DE-83 | ||
| 082 | 0 | |a 621.3822 |2 22/ger | |
| 082 | 0 | |a 006.32 |2 22/ger | |
| 084 | |a ST 301 |0 (DE-625)143651: |2 rvk | ||
| 100 | 1 | |a Sartorius, Gerhard |d 1958- |e Verfasser |0 (DE-588)139170480 |4 aut | |
| 245 | 1 | 0 | |a Multivariante Adaption mit modularisierten künstlichen neuronalen Netzen |c Gerhard Sartorius |
| 246 | 1 | 3 | |a Multivariate Adaption mit modularisierten künstlichen neuronalen Netzen |
| 250 | |a Als Ms. gedr. | ||
| 264 | 1 | |a Düsseldorf |b VDI-Verl. |c 2009 | |
| 300 | |a XVIII, 186 S. |b Ill., graph. Darst. |c 21 cm | ||
| 336 | |b txt |2 rdacontent | ||
| 337 | |b n |2 rdamedia | ||
| 338 | |b nc |2 rdacarrier | ||
| 490 | 1 | |a Fortschritt-Berichte VDI : Reihe 10, Informatik, Kommunikation |v 799 | |
| 500 | |a Hauptsacht. mit Druckfehler: Multivariante Adaption mit modularisierten künstlichen neuronalen Netzen | ||
| 502 | |a Zugl.: Hagen, Fernuniv., Diss. | ||
| 650 | 0 | 7 | |a Dimensionsreduktion |0 (DE-588)4224279-4 |2 gnd |9 rswk-swf |
| 650 | 0 | 7 | |a Messwertverarbeitung |0 (DE-588)4038804-9 |2 gnd |9 rswk-swf |
| 650 | 0 | 7 | |a Vorverarbeitung |0 (DE-588)4403014-9 |2 gnd |9 rswk-swf |
| 650 | 0 | 7 | |a Neuronales Netz |0 (DE-588)4226127-2 |2 gnd |9 rswk-swf |
| 650 | 0 | 7 | |a Datenfusion |0 (DE-588)4582612-2 |2 gnd |9 rswk-swf |
| 650 | 0 | 7 | |a Wavelet-Transformation |0 (DE-588)4814181-1 |2 gnd |9 rswk-swf |
| 655 | 7 | |0 (DE-588)4113937-9 |a Hochschulschrift |2 gnd-content | |
| 689 | 0 | 0 | |a Messwertverarbeitung |0 (DE-588)4038804-9 |D s |
| 689 | 0 | 1 | |a Datenfusion |0 (DE-588)4582612-2 |D s |
| 689 | 0 | 2 | |a Neuronales Netz |0 (DE-588)4226127-2 |D s |
| 689 | 0 | 3 | |a Vorverarbeitung |0 (DE-588)4403014-9 |D s |
| 689 | 0 | 4 | |a Wavelet-Transformation |0 (DE-588)4814181-1 |D s |
| 689 | 0 | 5 | |a Dimensionsreduktion |0 (DE-588)4224279-4 |D s |
| 689 | 0 | |5 DE-604 | |
| 830 | 0 | |a Fortschritt-Berichte VDI |v Reihe 10, Informatik, Kommunikation ; 799 |w (DE-604)BV000897204 |9 799 | |
| 856 | 4 | 2 | |m HBZ Datenaustausch |q application/pdf |u http://bvbr.bib-bvb.de:8991/F?func=service&doc_library=BVB01&local_base=BVB01&doc_number=018612826&sequence=000004&line_number=0001&func_code=DB_RECORDS&service_type=MEDIA |3 Inhaltsverzeichnis |
| 999 | |a oai:aleph.bib-bvb.de:BVB01-018612826 | ||
Datensatz im Suchindex
| _version_ | 1804140672249233408 |
|---|---|
| adam_text | Titel: Multivariante Adaption mit modularisierten künstlichen neuronalen Netzen
Autor: Sartorius, Gerhard
Jahr: 2009
Inhaltsverzeichnis
1 Einleitung 1
1.1 Maschinelles Lernen 1
1.2 Entwicklungstendenzen der Lernstrategien 3
1.3 Notwendige Eigenschaften 4
1.4 Ziel der Arbeit ü
2 Methoden des maschinellen Lernens 8
2.1 Verschiedene Methoden des maschinellen Lernens 8
2.2 Freiheitsgrade und Trainingsphase 9
2.3 Künstliche neuronale Netze (KNN) 11
2.4 Weiterentwickelte KNN 12
2.5 Support-Vektor-Methoden 14
2.6 Dimensionsreduktion 16
2.7 Modularisierte KNN 16
2.7.1 Die neue kombinierte KNN-Methode 17
3 Anforderungen und Gestaltung 19
3.1 Gestaltung neuer Verfahren 19
3.2 Konzeptionelle Anforderungen 20
3.3 Gestaltung des adaptiven Systems 22
4 Datenvorverarbeitung 25
4.1 Anforderungen an die Datenvorverarbeitung 25
4.2 Wavelet-Transformation 26
4.2.1 Auswahl von Wavelet-Koemzienten 29
4.3 Bildung des Eingangsvektors 30
4.4 Abbildungsfehler 31
4.5 Glättung 33
4.5.1 Vorgaben zur Glättung 35
4.5.2 Krümmung und Komplexität 35
4.5.3 Füllwertmethode 3G
4.5.4 Rücktransformation 39
4.5.5 Gruppenbildung 40
5 Dimensionsreduktion 42
5.1 Voraussetzungen und Vorteile 42
5.2 Verschiedene Methoden 44
5.2.1 Auftretende- Probleme 50
5.3 Aufgabenbezogene Einsatzbedingungen 52
5.4 Vermeidung numerischer Instabilität 53
5.5 Spektrale Methoden zur Dimensionsreduktion 54
5.5.1 Schritt 1: Bestimmniung der nächsten Nachbarpunkte 55
5.5.2 Schritt 2: Bestimmung der Rekonstruktionsgewichte 56
5.5.3 Schritt 3: Optimierung I, Normalisierung 57
5.5.4 Schritt 4: Optimierung II, Eigenvvertaiialyse 59
5.5.5 Schritt 5: Rekonstruktion im niedrigdimensionalen Raum 61
6 Skalierung und Anpassung 64
G.l Anpassung der NOP-Daten 64
6.1.1 Zwei verschiedene Methoden für die Arbeitsphase 67
G.l.2 Anpassung an Mess- und Steuerausgänge 69
G.2 Klassifizierung 69
G.2.1 AusreiKererkennung 70
G.2.2 Zuordnungsgrad klassifizierter Datenbereiche 71
6.3 Visualisierung der Messdaten 72
7 Codierung, Simulation und Aufwand 74
7.1 Codierung 74
7.1.1 Pseudocode des Moduls Trainingsphase 74
7.1.2 Pseudocode des Moduls Arbeitsphase 75
7.2 Simulation 7G
7.2.1 Skalierung der Eingangs- und Ausgangssignale 7G
7.2.2 Trainingsphase mit synthetischen Daten 77
7.2.3 Störeiiifiüsse ... 81
7.2.4 Hohe Rauschpegel 81
7.2.5 Ungleiche Anzahl der NN in Trainings- und Arbeitspha.se 83
7.2.6 Abweichungen und Felllertoleranzen 83
7.3 Aufwand 85
7.3.1 Rechenkapazität und Software 8G
7.3.2 Arbeitsteilung und Anwendungen 86
7.3.3 Aufwand in der Trainingsphase 86
7.3.4 Aufwand in der ArbeitspUa.se 87
7.3.5 Aufwand der Arbeitspliase mit der X-Z-Raum-Methode 88
7.3.G Aufwand der Arbeitsphase mit der Y-Z-Raum-Methode 89
7.3.7 Klassifizierung 90
7.3.8 Fusion von Sensorsignalen 91
8 Realisierung des MAE-Verfahrens 92
8.1 Projekt Klassifizierung von Spektren 92
8.1.1 Daten der Raman-Spektren 93
8.1.2 Raman-Spektren 94
8.2 Arbeitsteilung und Entwicklungsumgebung 95
8.2.1 Grafische Bedienoberfläche 9G
8.3 Trainingsphase 97
8.3.1 Gruppenanalyse 97
8.3.2 Entfernung von Ausreißern 97
8.3.3 WT-Koeffizieiiten 98
8.3.4 Komplexität der Gruppen 99
8.3.5 TrainingsabUuif 100
8.3.6 Vorbereitung des rezeptiven Bereichs der Gruppen 103
8.4 Arbeitspliase 104
8.4.1 Rezeptiver Bereich der Gruppen 104
8.4.2 Schritte in der Arbeitspliase 105
8.4.3 Überprüfung des Modells M IOC
8.4.4 Klassifizierung von Raman-Spektren 10G
8.4.5 ROC-Kurve 107
8.5 Voreinstellungen und Verarbeitungszeiten 108
8.G Auswertung der Klassifizierung 108
8.G.l Klassifizierung mit acht Gruppen 111
8.G.2 Anwendererfahrungen 114
8.6.3 Ergebnisse und Vergleich 115
9 Zusammenfassung und Ausblick 119
9.1 Zusammenfassende Darstellung 119
9.2 Erreichte Funktionalität 122
9.3 Zukünftige Entwicklungen 124
9.4 Wissenschaftliche Beiträge 123
9.5 Abschließende Bemerkungen 12G
A Untersuchungsergebnisse 129
B Mathematische Zusammenhänge 135
B.l Quadratisches Problem 135
B.2 Dimensionsreduktion 138
B.2.1 Normalisierung der NN-Gewichte auf 1 138
B.2.2 Invarianz gegenüber Rotation 139
B.2.3 Invarianz gegenüber Translation 139
B.3 Ableitung von NN- und Gewichtsmatrix 139
B.4 Übersicht über KNN und Dimensionsreduktionsverfahren 140
C Multiskalenanalyse 141
C.l WT-Transformation 141
C.2 Rekonstruktion 142
D Architekturen 144
D.l Verarbeitungseinheiten 111
D.l.l Architekturen für die mehrdimensionale Signalverarbeitung 141
D.2 Parallel verteiltes Prozessmodell 144
D.2.1 Klassifizierung von Parallelreclmern 145
D.2.2 Arten der Parallelität bei KNNs 145
D.3 Support-Vektor-Maschine 1 IC
D.4 Evolutionäre Algorithmen 148
D.4.1 Kopplung von evolutionären Algorithmen und KNTN 1-19
E ROC-Kurve für mehrere Klassen 150
F Glossar 152
F.l Begriffe 152
F.2 Begriffe maschinellen Lernens 154
G MAE-Verfahren zur Klassifikation 157
G.l Gralische Bedienoberfliiclien (GUIs) 157
G.2 Anwe-ndungshinweise 170
H Anwendungen 174
Abbildungsverzeichnis
1.1 Auslagerung von Rechenleistung 3
2.1 Die neue kombinierte KNN-Methode 18
3.1 Interaktionen der Arbeits- und Lerneinheit 22
3.2 Verarbeitungsstruktur der Trainingsphase 23
4.1 Detaillierte Ausprägung von Modul DV 2C
4.2 Haar-Skalierungsfunktion p und Haar-Wavelet ip 28
4.3 Rekoustruktionsfehler eines Zwischenwertes 33
4.4 Auf Skala i bezogene und nach Distanz geordnete Daten 34
4.5 Krümmung und maximal zulässige Winkeländerung 3G
4.6 Parametrischer Spline vermindert die Krümmung 37
4.7 Verrundung durch Wahl der NN-Anzahl 38
4.8 Darstellung der Gruppen 40
5.1 Repräsentanten der Hauptkomponenten im d-dimensionalen Raum 44
5.2 Prinzip der Einbettung mit spektralen Verfahren 47
5.3 Tangentenfiäche als Näherung bei lokalen Methoden 51
5.4 Glattes niedrigdimensionales Gebilde im Raum 51
5.5 Prinzipieller Ablauf der Dimensionsreduktion 51
5.6 Mehrdeutigkeit im Fall K . D 55
5.7 Rekonstruktion von x„ G2
6.1 Zusammenhang von Einbettungs- und Darstellungsraum 64
6.2 Trainingsphase des überwachten KNN 65
6.3 Arbeitsphase des überwachten KNN 66
6.4 Linearkombination im Z-R.auin 68
6.5 Verschiedene Ausgangskurveii bei gleichen Einbettungsdaten 69
6.6 Toleranzbereich von Datenpunkten der MK 71
6.7 Klassifizierung verschiedener Eingangsinfonnationen 71
6.8 Darstellung der Zuordnung. Trapezformat 72
6.9 Darstellung der Zuordnung, Balkenformat 72
7.1 Testaufbau zur Simulation von Eingangssignalen .r, 7ü
7.2 Eingangssignale x, mit additivem Rauschanteil 77
7.3 Trainingspunkte im Einbettungsraum 77
7.4 Kurvenschar mit zunehmender Krümmung 78
7.5 Messung der kritischen Krümmung 79
7.6 Lineare Funktion als Kalibrierkurve im Darstellungsraum 79
7.7 Sinusfunktion als Kalibrierkurve im Darstellungsraum 80
7.8 Linearer Toleranzbereicli 80
7.9 Zirkularer Toleranzbereich 80
7.10 Eimiuss des Rauschens auf die Genauigkeit 81
7.11 Einfluss des Rauschens auf die Genauigkeit mit Ersatzmatrix XZe 82
7.12 Abweichung in Abhängigkeit der NN-Anzahl 83
7.13 Getrennte Aufgabenbereiche von Arbeits- und Lerneinheit 85
7.1-1 Verarbeitungskette der Trainiiigsphase 87
7.15 Veiarbeitungskette der Arbeitsphase, X-Z-Raum-Methode 88
7.16 Aufwand Arbeitseinheit, X-Z-Raum-Methode 88
7.17 Verarbeitungskette der Arbeitsphase, Y-Z-Rauin-Methode 89
7.18 Aufwand Arbeitseinheit, Y-Z-Raum-Methode 89
8.1 Spektren der verschiedenen Gruppen des grl-3-Datensatzes 94
8.2 Verteilung der wesentlichen T-Koeffizienten des grl-3-Datensatzes 98
8.3 TP-Anordnuug der Gruppen zueinander 99
8.4 Tramingsdaten im X-Y-Z-Raum 102
8.5 Gruppenorientierte Darstellung im Merkmalsraum 103
8.C Rezeptiver Bereich um einen Trainingspunkt X, 105
8.7 ROC-Kurve der Klassifizierung des grl-3-Datensatzes, SüjmuFaktor — 3,29 . . . 107
8.8 Klassifizierungsdiagramm des grl-3-Datensatzes 109
8.9 Verteilung der wesentlichen WT-Koefh zienten des grl-8-Datensatzes 112
8.10 Klassih zierungsdiagramm des grl-8-Datensatzes 112
8.11 ROC-Kurve der Klassifizierung des grl-8-Dateusatzes, SiymaFaktor — 3,29 . . . 113
8.12 ROC-Kurve der Klassifizierung des grl-8-Datensatzes, SigmaFaktor _ 2 114
A.l Unterschiedliche NN-Anzahl in Trainings- und Arbeitsphase 131
A.2 Unterschiedliche NN-Anzahl, Arbeitsphase 132
C. 1 Prinzipielle Vorgehensweise bei der Multiskalenanalyse 142
D.l Linearisierung der MF 147
D.2 Allgemeines Iteratioiisscheina eines Standard-EA 149
E.l Variation des Schwellenwertes bei der ROC-Analyse 150
F.l Zuordnung von KNN und statistischen Verfahren 154
Tabellenverzeichnis
4.1 Pseudocode, Trainingsvektoren .rj bilden 3(1
4.2 Pseudocode, Eingangsvektor ,f„ bilden 31
4.3 Pseudocode, Glättung, Bildung einer zusammenhängenden MF 38
4.4 Pseudocode, Trainingsdaten den Kalibrierdaten zuordnen 41
5.1 Charakteristische Eigenschaften der Basisniethoden 46
5.2 Pseudocode Optimierung I, Rekonstruktionsgewiclite 08
5.3 Pseudocode Optimierung I, Bildung der Gram-Matrix M 9
5.4 Pseudocode Optimierung II, Bildung der Transformationsmatrix V C3
6.1 Pseudocode, Skalierung und Anpassung mit Modul SA 66
6.2 Pseudocode, Einbettung von Xlt mit der Y-Z-Raum-Methode 67
6.3 Pseudocode, Einbettung von Xa mit der X-Z-Raum-Methode 60
7.1 Pseudocode, Gesamtübersicht Trainingsphase 75
7.2 Pseudocode, Gesamtübersicht Arbeitspha.se 75
7.3 Genauigkeit in Abhängigkeit des Rauschpegels 82
7.4 Genauigkeit in Abhängigkeit des Rauschpegels mit Ersatzmatrix XZe 81
7.5 Genauigkeit in Abhängigkeit, der NN-Anzahl K 81
7.G Verwendete Zahlenformate 84
7.7 Berechnungsaufwand der Trainingsphase 87
7.8 Berechnungsaufwand der X-Z-Raum-Methode 89
7.9 Bereclmungsaufwand der Y-Z-Raum-Methode 00
8.1 Daten eines Raman-Spektrunis 03
8.2 Liste der Trainirigsdatengruppen 93
8.3 Liste der verwendeten Werkzeuge 95
8.4 Liste der GUIs zum Bedienen der Lernmaschine 9(
8.5 Liste der Parameter der Trainingsphase 100
8.6 Liste zur WT-Koemzientenauswahliiietliode 101
8.7 Liste der Yerarbeitimgszeitcn in Trainings- und Arbeitsphase 109
8.8 ROC-Daten des grl-3-Datensatzes 110
8.9 Ergebnisse des grl-3-Datensatzes (MAE-Verfahren) 110
8.10 Ergebnisse des grl-3-Datensatzes (Robert-Koch-Institut) 111
8.11 Ergebnisse des grl-3-Datensatzes (Universität Jena) 111
8.12 Ergebnisse des grl-8-Datensatzes 114
A.l Kritischer Gradient 129
A.2 Kritischer Rauschanteil 129
A.3 Ungleiche NN-Anzahl in Trainings- und Arbeitsphase, kleiner Rauschanteil . . . 130
A.4 Ungleiche NN-Anzahl in Trainings- und Arbeitsphase, großer Rauschanteil . . . 131
A.5 Unterschiedliche NN-Anzahl, Arbeitsphase 132
A.6 Abweichung vom Ideahvert der Geraden 133
A-7 Abweichung von) Idealwert der Sinusfunktion 134
13.1 Übersicht über KNN 140
13.2 Kosteufuuktioneii und Nebenbedingungen 140
C.l Stammfunktion, Wavelet-Kornponenten und Rekonstruktion 142
C.2 WT-Stützstellen, WT-Koeffizienten, Rekonstruktion 143
D-l Cliarakteristische Eigenschaften der Basistnethoden 148
E.l Logiktabelle zur ROC-Multi-Klasseu-Analyse 150
E.2 ROC-Wertetabelle 151
|
| any_adam_object | 1 |
| author | Sartorius, Gerhard 1958- |
| author_GND | (DE-588)139170480 |
| author_facet | Sartorius, Gerhard 1958- |
| author_role | aut |
| author_sort | Sartorius, Gerhard 1958- |
| author_variant | g s gs |
| building | Verbundindex |
| bvnumber | BV035752815 |
| classification_rvk | ST 301 |
| ctrlnum | (OCoLC)439767593 (DE-599)HBZHT016052293 |
| dewey-full | 621.3822 006.32 |
| dewey-hundreds | 600 - Technology (Applied sciences) 000 - Computer science, information, general works |
| dewey-ones | 621 - Applied physics 006 - Special computer methods |
| dewey-raw | 621.3822 006.32 |
| dewey-search | 621.3822 006.32 |
| dewey-sort | 3621.3822 |
| dewey-tens | 620 - Engineering and allied operations 000 - Computer science, information, general works |
| discipline | Informatik Elektrotechnik / Elektronik / Nachrichtentechnik |
| edition | Als Ms. gedr. |
| format | Thesis Book |
| fullrecord | <?xml version="1.0" encoding="UTF-8"?><collection xmlns="http://www.loc.gov/MARC21/slim"><record><leader>02469nam a2200541 cb4500</leader><controlfield tag="001">BV035752815</controlfield><controlfield tag="003">DE-604</controlfield><controlfield tag="005">20091005 </controlfield><controlfield tag="007">t</controlfield><controlfield tag="008">091004s2009 ad|| m||| 00||| ger d</controlfield><datafield tag="020" ind1=" " ind2=" "><subfield code="a">9783183799107</subfield><subfield code="9">978-3-18-379910-7</subfield></datafield><datafield tag="035" ind1=" " ind2=" "><subfield code="a">(OCoLC)439767593</subfield></datafield><datafield tag="035" ind1=" " ind2=" "><subfield code="a">(DE-599)HBZHT016052293</subfield></datafield><datafield tag="040" ind1=" " ind2=" "><subfield code="a">DE-604</subfield><subfield code="b">ger</subfield><subfield code="e">rakwb</subfield></datafield><datafield tag="041" ind1="0" ind2=" "><subfield code="a">ger</subfield></datafield><datafield tag="049" ind1=" " ind2=" "><subfield code="a">DE-210</subfield><subfield code="a">DE-83</subfield></datafield><datafield tag="082" ind1="0" ind2=" "><subfield code="a">621.3822</subfield><subfield code="2">22/ger</subfield></datafield><datafield tag="082" ind1="0" ind2=" "><subfield code="a">006.32</subfield><subfield code="2">22/ger</subfield></datafield><datafield tag="084" ind1=" " ind2=" "><subfield code="a">ST 301</subfield><subfield code="0">(DE-625)143651:</subfield><subfield code="2">rvk</subfield></datafield><datafield tag="100" ind1="1" ind2=" "><subfield code="a">Sartorius, Gerhard</subfield><subfield code="d">1958-</subfield><subfield code="e">Verfasser</subfield><subfield code="0">(DE-588)139170480</subfield><subfield code="4">aut</subfield></datafield><datafield tag="245" ind1="1" ind2="0"><subfield code="a">Multivariante Adaption mit modularisierten künstlichen neuronalen Netzen</subfield><subfield code="c">Gerhard Sartorius</subfield></datafield><datafield tag="246" ind1="1" ind2="3"><subfield code="a">Multivariate Adaption mit modularisierten künstlichen neuronalen Netzen</subfield></datafield><datafield tag="250" ind1=" " ind2=" "><subfield code="a">Als Ms. gedr.</subfield></datafield><datafield tag="264" ind1=" " ind2="1"><subfield code="a">Düsseldorf</subfield><subfield code="b">VDI-Verl.</subfield><subfield code="c">2009</subfield></datafield><datafield tag="300" ind1=" " ind2=" "><subfield code="a">XVIII, 186 S.</subfield><subfield code="b">Ill., graph. Darst.</subfield><subfield code="c">21 cm</subfield></datafield><datafield tag="336" ind1=" " ind2=" "><subfield code="b">txt</subfield><subfield code="2">rdacontent</subfield></datafield><datafield tag="337" ind1=" " ind2=" "><subfield code="b">n</subfield><subfield code="2">rdamedia</subfield></datafield><datafield tag="338" ind1=" " ind2=" "><subfield code="b">nc</subfield><subfield code="2">rdacarrier</subfield></datafield><datafield tag="490" ind1="1" ind2=" "><subfield code="a">Fortschritt-Berichte VDI : Reihe 10, Informatik, Kommunikation</subfield><subfield code="v">799</subfield></datafield><datafield tag="500" ind1=" " ind2=" "><subfield code="a">Hauptsacht. mit Druckfehler: Multivariante Adaption mit modularisierten künstlichen neuronalen Netzen</subfield></datafield><datafield tag="502" ind1=" " ind2=" "><subfield code="a">Zugl.: Hagen, Fernuniv., Diss.</subfield></datafield><datafield tag="650" ind1="0" ind2="7"><subfield code="a">Dimensionsreduktion</subfield><subfield code="0">(DE-588)4224279-4</subfield><subfield code="2">gnd</subfield><subfield code="9">rswk-swf</subfield></datafield><datafield tag="650" ind1="0" ind2="7"><subfield code="a">Messwertverarbeitung</subfield><subfield code="0">(DE-588)4038804-9</subfield><subfield code="2">gnd</subfield><subfield code="9">rswk-swf</subfield></datafield><datafield tag="650" ind1="0" ind2="7"><subfield code="a">Vorverarbeitung</subfield><subfield code="0">(DE-588)4403014-9</subfield><subfield code="2">gnd</subfield><subfield code="9">rswk-swf</subfield></datafield><datafield tag="650" ind1="0" ind2="7"><subfield code="a">Neuronales Netz</subfield><subfield code="0">(DE-588)4226127-2</subfield><subfield code="2">gnd</subfield><subfield code="9">rswk-swf</subfield></datafield><datafield tag="650" ind1="0" ind2="7"><subfield code="a">Datenfusion</subfield><subfield code="0">(DE-588)4582612-2</subfield><subfield code="2">gnd</subfield><subfield code="9">rswk-swf</subfield></datafield><datafield tag="650" ind1="0" ind2="7"><subfield code="a">Wavelet-Transformation</subfield><subfield code="0">(DE-588)4814181-1</subfield><subfield code="2">gnd</subfield><subfield code="9">rswk-swf</subfield></datafield><datafield tag="655" ind1=" " ind2="7"><subfield code="0">(DE-588)4113937-9</subfield><subfield code="a">Hochschulschrift</subfield><subfield code="2">gnd-content</subfield></datafield><datafield tag="689" ind1="0" ind2="0"><subfield code="a">Messwertverarbeitung</subfield><subfield code="0">(DE-588)4038804-9</subfield><subfield code="D">s</subfield></datafield><datafield tag="689" ind1="0" ind2="1"><subfield code="a">Datenfusion</subfield><subfield code="0">(DE-588)4582612-2</subfield><subfield code="D">s</subfield></datafield><datafield tag="689" ind1="0" ind2="2"><subfield code="a">Neuronales Netz</subfield><subfield code="0">(DE-588)4226127-2</subfield><subfield code="D">s</subfield></datafield><datafield tag="689" ind1="0" ind2="3"><subfield code="a">Vorverarbeitung</subfield><subfield code="0">(DE-588)4403014-9</subfield><subfield code="D">s</subfield></datafield><datafield tag="689" ind1="0" ind2="4"><subfield code="a">Wavelet-Transformation</subfield><subfield code="0">(DE-588)4814181-1</subfield><subfield code="D">s</subfield></datafield><datafield tag="689" ind1="0" ind2="5"><subfield code="a">Dimensionsreduktion</subfield><subfield code="0">(DE-588)4224279-4</subfield><subfield code="D">s</subfield></datafield><datafield tag="689" ind1="0" ind2=" "><subfield code="5">DE-604</subfield></datafield><datafield tag="830" ind1=" " ind2="0"><subfield code="a">Fortschritt-Berichte VDI</subfield><subfield code="v">Reihe 10, Informatik, Kommunikation ; 799</subfield><subfield code="w">(DE-604)BV000897204</subfield><subfield code="9">799</subfield></datafield><datafield tag="856" ind1="4" ind2="2"><subfield code="m">HBZ Datenaustausch</subfield><subfield code="q">application/pdf</subfield><subfield code="u">http://bvbr.bib-bvb.de:8991/F?func=service&doc_library=BVB01&local_base=BVB01&doc_number=018612826&sequence=000004&line_number=0001&func_code=DB_RECORDS&service_type=MEDIA</subfield><subfield code="3">Inhaltsverzeichnis</subfield></datafield><datafield tag="999" ind1=" " ind2=" "><subfield code="a">oai:aleph.bib-bvb.de:BVB01-018612826</subfield></datafield></record></collection> |
| genre | (DE-588)4113937-9 Hochschulschrift gnd-content |
| genre_facet | Hochschulschrift |
| id | DE-604.BV035752815 |
| illustrated | Illustrated |
| indexdate | 2024-07-09T22:03:42Z |
| institution | BVB |
| isbn | 9783183799107 |
| language | German |
| oai_aleph_id | oai:aleph.bib-bvb.de:BVB01-018612826 |
| oclc_num | 439767593 |
| open_access_boolean | |
| owner | DE-210 DE-83 |
| owner_facet | DE-210 DE-83 |
| physical | XVIII, 186 S. Ill., graph. Darst. 21 cm |
| publishDate | 2009 |
| publishDateSearch | 2009 |
| publishDateSort | 2009 |
| publisher | VDI-Verl. |
| record_format | marc |
| series | Fortschritt-Berichte VDI |
| series2 | Fortschritt-Berichte VDI : Reihe 10, Informatik, Kommunikation |
| spelling | Sartorius, Gerhard 1958- Verfasser (DE-588)139170480 aut Multivariante Adaption mit modularisierten künstlichen neuronalen Netzen Gerhard Sartorius Multivariate Adaption mit modularisierten künstlichen neuronalen Netzen Als Ms. gedr. Düsseldorf VDI-Verl. 2009 XVIII, 186 S. Ill., graph. Darst. 21 cm txt rdacontent n rdamedia nc rdacarrier Fortschritt-Berichte VDI : Reihe 10, Informatik, Kommunikation 799 Hauptsacht. mit Druckfehler: Multivariante Adaption mit modularisierten künstlichen neuronalen Netzen Zugl.: Hagen, Fernuniv., Diss. Dimensionsreduktion (DE-588)4224279-4 gnd rswk-swf Messwertverarbeitung (DE-588)4038804-9 gnd rswk-swf Vorverarbeitung (DE-588)4403014-9 gnd rswk-swf Neuronales Netz (DE-588)4226127-2 gnd rswk-swf Datenfusion (DE-588)4582612-2 gnd rswk-swf Wavelet-Transformation (DE-588)4814181-1 gnd rswk-swf (DE-588)4113937-9 Hochschulschrift gnd-content Messwertverarbeitung (DE-588)4038804-9 s Datenfusion (DE-588)4582612-2 s Neuronales Netz (DE-588)4226127-2 s Vorverarbeitung (DE-588)4403014-9 s Wavelet-Transformation (DE-588)4814181-1 s Dimensionsreduktion (DE-588)4224279-4 s DE-604 Fortschritt-Berichte VDI Reihe 10, Informatik, Kommunikation ; 799 (DE-604)BV000897204 799 HBZ Datenaustausch application/pdf http://bvbr.bib-bvb.de:8991/F?func=service&doc_library=BVB01&local_base=BVB01&doc_number=018612826&sequence=000004&line_number=0001&func_code=DB_RECORDS&service_type=MEDIA Inhaltsverzeichnis |
| spellingShingle | Sartorius, Gerhard 1958- Multivariante Adaption mit modularisierten künstlichen neuronalen Netzen Fortschritt-Berichte VDI Dimensionsreduktion (DE-588)4224279-4 gnd Messwertverarbeitung (DE-588)4038804-9 gnd Vorverarbeitung (DE-588)4403014-9 gnd Neuronales Netz (DE-588)4226127-2 gnd Datenfusion (DE-588)4582612-2 gnd Wavelet-Transformation (DE-588)4814181-1 gnd |
| subject_GND | (DE-588)4224279-4 (DE-588)4038804-9 (DE-588)4403014-9 (DE-588)4226127-2 (DE-588)4582612-2 (DE-588)4814181-1 (DE-588)4113937-9 |
| title | Multivariante Adaption mit modularisierten künstlichen neuronalen Netzen |
| title_alt | Multivariate Adaption mit modularisierten künstlichen neuronalen Netzen |
| title_auth | Multivariante Adaption mit modularisierten künstlichen neuronalen Netzen |
| title_exact_search | Multivariante Adaption mit modularisierten künstlichen neuronalen Netzen |
| title_full | Multivariante Adaption mit modularisierten künstlichen neuronalen Netzen Gerhard Sartorius |
| title_fullStr | Multivariante Adaption mit modularisierten künstlichen neuronalen Netzen Gerhard Sartorius |
| title_full_unstemmed | Multivariante Adaption mit modularisierten künstlichen neuronalen Netzen Gerhard Sartorius |
| title_short | Multivariante Adaption mit modularisierten künstlichen neuronalen Netzen |
| title_sort | multivariante adaption mit modularisierten kunstlichen neuronalen netzen |
| topic | Dimensionsreduktion (DE-588)4224279-4 gnd Messwertverarbeitung (DE-588)4038804-9 gnd Vorverarbeitung (DE-588)4403014-9 gnd Neuronales Netz (DE-588)4226127-2 gnd Datenfusion (DE-588)4582612-2 gnd Wavelet-Transformation (DE-588)4814181-1 gnd |
| topic_facet | Dimensionsreduktion Messwertverarbeitung Vorverarbeitung Neuronales Netz Datenfusion Wavelet-Transformation Hochschulschrift |
| url | http://bvbr.bib-bvb.de:8991/F?func=service&doc_library=BVB01&local_base=BVB01&doc_number=018612826&sequence=000004&line_number=0001&func_code=DB_RECORDS&service_type=MEDIA |
| volume_link | (DE-604)BV000897204 |
| work_keys_str_mv | AT sartoriusgerhard multivarianteadaptionmitmodularisiertenkunstlichenneuronalennetzen AT sartoriusgerhard multivariateadaptionmitmodularisiertenkunstlichenneuronalennetzen |