Skip to main content
  • 3369 Accesses

Zusammenfassung

Die Eingangsinformationen verschiedener Arten von Messungen zur Erfassung eines Objektes liegen in Kanälen angeordnet als Daten im D-dimensionalen Merkmalsraum vor. Die Daten sind ausreißerfrei, die Kenndaten der Verteilungen der Datengruppen ermittelt und als Teil des Modells für das zu klassifizierende Objekt gespeichert worden. Diese Ergebnisse aus der vorher durchgeführten Datenvorverarbeitung müssen nun in eine für die Art der Daten und den Verwendungszweck optimale Darstellungsform für die nächste Verarbeitungsstufe überführt werden, dass die Schritte zur Gestaltung eines generalisierungsfähigen Datenmodells und die Bildung der NN-Beziehungen optimal durchführbar sind. Danach ist es möglich die Daten direkt (unverändert), als WT-Koeffizienten, als FT-Koeffizienten oder in dimensionsreduzierter Form der Verarbeitung im Assoziationsraum zur Filterung, zur Bildung der Rekonstruktionsgewichte des NN-Verfahrens und zur Skalierung und Anpassung dem Assoziationsraum zuzuführen.

This is a preview of subscription content, log in via an institution to check access.

Access this chapter

Chapter
USD 29.95
Price excludes VAT (USA)
  • Available as PDF
  • Read on any device
  • Instant download
  • Own it forever
eBook
USD 69.99
Price excludes VAT (USA)
  • Available as EPUB and PDF
  • Read on any device
  • Instant download
  • Own it forever

Tax calculation will be finalised at checkout

Purchases are for personal use only

Institutional subscriptions

Notes

  1. 1.

    In Abschn. 9.1.3 sind die Eigenschaften der WT und der FT gegenübergestellt und es werden andere Transformationen genannt.

  2. 2.

    Beispiele: Ausblendung des Gleichanteils (WT-Komponente 1) bei Signalgruppen (z. B. Spektren) zur Minderung des Einflusses der Signalstärke des Messlasers bei der Raman-Spektroskopie, Ausblendung von Komponenten zur Minderung des Wassereinflusses bei der NIR-Spektroskopie, Ausblenden des Gleichanteils zur Minderung der Überbelichtung bei pixelorientierten Messungen…

  3. 3.

    Perfekte Lokalität als Eigenschaft der Haar-WT in Abschn. 9.4.

  4. 4.

    Die Möglichkeiten dazu sind in Abschn. 11.4.3 aufgeführt.

  5. 5.

    Die Eigenschaften der WT, sind in Kapitel 9 und die der DR in Abschn. 10.3 erklärt.

Literatur

  1. Sartorius G (2009) Multivariate Adaption mit modularisierten künstlichen neuronalen Netzen: Zugl.: Hagen, Fernuniv., Fachbereich Elektrotechnik, Diss., 2009, Fortschritt-Berichte VDI Reihe 10, Informatik/Kommunikation, vol 799, als ms. gedr edn. VDI-Verl., Düsseldorf

    Google Scholar 

  2. Sartorius G (2012) Multivariate Adaptive Embedding, MAE-Process. In: Unger H, Kyamaky K, Kacprzyk J (eds) Autonomous Systems: Developments and Trends, Studies in Computational Intelligence, vol 391, Springer Berlin Heidelberg, Berlin, Heidelberg, pp 109–117, https://doi.org/10.1007/978-3-642-24806-1_9

    Chapter  Google Scholar 

Download references

Author information

Authors and Affiliations

Authors

Rights and permissions

Reprints and permissions

Copyright information

© 2019 Springer Fachmedien Wiesbaden GmbH, ein Teil von Springer Nature

About this chapter

Check for updates. Verify currency and authenticity via CrossMark

Cite this chapter

Sartorius, G. (2019). Merkmalsraum. In: Erfassen, Verarbeiten und Zuordnen multivariater Messgrößen. Springer Vieweg, Wiesbaden. https://doi.org/10.1007/978-3-658-23576-5_13

Download citation

Publish with us

Policies and ethics