Zusammenfassung
Methoden zur Auswertung multivariater Messgrößen behandeln mehrere Eingangsvariablen in deren Zusammenhang gleichzeitig und repräsentieren ihre Attribute als Gesamtmerkmal. Diese Methoden sind nicht nur für die Effizienz der Verarbeitung der Messgrößen wichtig, sondern es kann zu falschen Schlussfolgerungen kommen, wenn der Einfluss der Messgrößen jeweils einzeln, d. h. univariat ausgewertet wird. Kommt bei der letztgenannten Art der Auswertung eine zweite Variable hinzu, muss deren Einfluss bei der Messwertbestimmung beispielsweise mit einem Kennlinienfeld oder einer Kompensationsrechnung berücksichtigt werden. Bei mehreren Einflüssen und damit multivariaten Messgrößen erhöht sich der Aufwand bei dieser Vorgehensweise beträchtlich. Bei nichtlinearen Verhältnissen wird die Realisierung noch aufwendiger und damit meist praktisch nicht mehr durchführbar. Künstliche neuronale oder auch konnektionistische Netze sind dagegen gut geeignet, multivariate Messgrößen effizient zu verarbeiten.
Access this chapter
Tax calculation will be finalised at checkout
Purchases are for personal use only
Notes
- 1.
Unter neuronal werden im Zusammenhang mit KNN neuronenähnliche Netze verstanden.
- 2.
Siehe dazu im Glossar in Anhang K.7 die unter KNN und Statistik ihrem Äquivalent in der Statistik gegenübergestellten Begriffe.
- 3.
In Matlab geschriebene m-files sind als C-Code auf andere Systeme übertragbar, z. B. in Mikrokontroller.
- 4.
Siehe Anhang F, Architekturen.
- 5.
Eine nach grundsätzlichen Eigenschaften der KNN geordnete Übersicht befindet sich im Anhang D in Tab. D.1.
- 6.
Diese könnte auch ein leistungsfähiger Rechner sein, der über das Internet angekoppelt wird.
- 7.
Siehe dazu Nachteile klassischer KNN in Abschn. 2.4.
- 8.
Cross-Validierung zur Überprüfung der Generalisierungsfähigkeit [6, S. 182].
- 9.
Genauere Beschreibung im Anhang F.4.
- 10.
Zu nennen sind in diesem Zusammenhang das Projekt ENZO – der evolutionäre Netzwerkoptimierer ENZO ist frei verfügbar (Evolutionärer Netzwerkoptimierer) [1] – und ein Forschungsbericht Modellierung räumlicher Interaktionen mithilfe evolutionär optimierter neuronaler Netze [4] in Verbindung mit dem Projekt ENZO.
- 11.
Abschn. 1.5, Naturnahe Strategien.
- 12.
Um ein deterministisches Verhalten zu garantieren, müssen bei technischen Systemen die Freiheitsgrade (wie in Abschn. 2.2 diskutiert) wohlüberlegt zugelassen werden.
- 13.
Siehe dazu Abschn. 2.5, RBF-Netze.
- 14.
Der in Bruskes Arbeit vorgeschlagene Weg, die Adaptivität des Systems an dessen Leistungsmerkmale zu koppeln, erscheint vielversprechend. Es sind jedoch noch weitere theoretische und experimentelle Untersuchungen notwendig, um die endgültige Bandbreite dieses Konzeptes erfassen zu können [2].
- 15.
Die Eigenschaften voll transparent, teilweise transparent und nicht transparent in Bezug auf Einheiten, die Verbindungen oder Verknüpfungen zwischen Ausgängen und Eingängen enthalten, werden im Englischen mit den Begriffen White-Box, Grey-Box und Black-Box bezeichnet.
Literatur
Braun H, Feuler J, Malaka R (1996) Praktikum Neuronale Netze. Springer Verlag, Berlin and Heidelberg
Bruske J, Sommer G (1995) Dynamic cell structure learns perfectly topology preserving map. In Neural Computation vol. 7:S. 845–865
Domingos (2015) The Master Algorithm. BASIC BOOKS, New York
Fischer MM, Koch A, Reismann M (2001) Neuronale räumliche Interaktionsmodelle: Modellspezifikation und Parameterschätzung mit Hilfe eines evolutionären Netzwerkoptimierers. In: Josef Strobl, Thomas Blaschke, Gerald Griesebner (ed) Angewandte Geographische Informationsverarbeitung XIII. Beiträge zum AGIT-Symposium Salzburg 2001, Wichmann Verlag, pp 148–154, URL http://www.rwth-aachen.de/geo/Ww/deutsch/NeuronaleNetzeKoch.pdf
Foerster Hv (1993) KybernEthik, Internationaler Merve-Diskurs & Perspektiven der Technokultur, vol 180. Merve-Verl., Berlin
Masters T (1995) Advanced algorithms for neural networks: A C++ Sourcebook. John Wiley & Sons, Inc, New York, Chichester, Brisbane, Toronto, Singapore
Osuna E, Freund R, Girosi F (1997) Improved Training Algorithm for Support Vector Machines: Pavel Laskov Department of Computer and Information Sciences University of Delaware Newark, DE 19718. Report, University of Delaware, Newark
Platt JC (1998) A Fast Algorithm for Training Support Vector Machines: Technical Report MSR-TR-98-14. URL http://pdfs.semanticscholar.org/59ee/e096b49d66f39891eb88a6c84cc89acba12d.pdf
Schlagner S, Strehlau U (2004) Fourier-Analyse versus Wavelet-Analyse: Ein Vergleich von Fourier- und Wavelet-Transformation bei der Signalanalyse von stationären und instationären Zeitfunktionen: Zugl.: Berlin, Techn. Univ., Diplomarbeit, 2004. Shaker, Aachen
Schoeneberg KP (2014) Komplexität – Einführung in die Komplexitätsforschung und Herausforderungen für die Praxis. In: Schoeneberg KP (ed) Komplexitätsmanagement in Unternehmen, Springer Gabler, Wiesbaden, pp 13–27, https://doi.org/10.1007/978-3-658-01284-7_2
Schölkopf B, Burges, Christopher, J C, Smola AJ (1999) Advances in Kernel Methods. The MIT Press, Cambridge, Massachusetts, London, England
Schöneburg E, Heinzmann F, Feddersen S (1994) Genetische Algorithmen und Evolutionsstrategien. Addison-Wesley (Deutschland)GmbH,NOTE = (Deutschland), Bonn and Paris, Reading u.a
Sedgewick R (2002) Algorithmen und Datenstrukturen. Pearson Studium, München
Author information
Authors and Affiliations
Rights and permissions
Copyright information
© 2019 Springer Fachmedien Wiesbaden GmbH, ein Teil von Springer Nature
About this chapter
Cite this chapter
Sartorius, G. (2019). Einleitung. In: Erfassen, Verarbeiten und Zuordnen multivariater Messgrößen. Springer Vieweg, Wiesbaden. https://doi.org/10.1007/978-3-658-23576-5_1
Download citation
DOI: https://doi.org/10.1007/978-3-658-23576-5_1
Published:
Publisher Name: Springer Vieweg, Wiesbaden
Print ISBN: 978-3-658-23575-8
Online ISBN: 978-3-658-23576-5
eBook Packages: Computer Science and Engineering (German Language)