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.
Access this chapter
Tax calculation will be finalised at checkout
Purchases are for personal use only
Notes
- 1.
In Abschn. 9.1.3 sind die Eigenschaften der WT und der FT gegenübergestellt und es werden andere Transformationen genannt.
- 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.
Perfekte Lokalität als Eigenschaft der Haar-WT in Abschn. 9.4.
- 4.
Die Möglichkeiten dazu sind in Abschn. 11.4.3 aufgeführt.
- 5.
Literatur
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
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
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). Merkmalsraum. In: Erfassen, Verarbeiten und Zuordnen multivariater Messgrößen. Springer Vieweg, Wiesbaden. https://doi.org/10.1007/978-3-658-23576-5_13
Download citation
DOI: https://doi.org/10.1007/978-3-658-23576-5_13
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)