Zusammenfassung
Die Daten aus dem Merkmalsraum liegen am Eingang des Assoziationsraums direkt als Messdaten oder in einer anderen Darstellungsart vor. Die bisherigen Prozeduren zur Vorbereitung der Messdaten sorgen dafür, dass die Messdaten fehlerfrei sind und in einer Form vorliegen, die es erlaubt, mit wesentlichen Anteilen dieser Daten die Bildung einer MF und damit die Bildung eines rezeptiven Bereiches, der die Charakteristik des Messobjektes möglichst genau und eindeutig repräsentiert, für alle Gruppen durchzuführen. Die Ergebnisse aus der vorhergegangen Informationsgewinnung und Vorverarbeitung müssen nun zusammengeführt und dem entsprechenden Objekt zugeordnet werden. Zusätzlich können im Assoziationsraum Objektinformationen gewonnen werden, die es erlauben, Beziehungen der trainierten Objekte untereinander herzustellen, um diese für verschiedene Anwendungen in passender Form visuell darstellen zu können.
This is a preview of subscription content, log in via an institution to check access.
Access this chapter
Tax calculation will be finalised at checkout
Purchases are for personal use only
Notes
- 1.
Siehe Abschn. 9.1.1, Distanzerhaltung.
- 2.
Im Anhang K in Tab. K.1 und K.2 sind weitere Vorschläge für Anweisungen zur Durchführung der Trainings- und Arbeitsphase (als GUIs zum Bedienen der Lernmaschine) gelistet.
- 3.
Siehe dazu auch Abschn. K.1.1 Wavelet-Koeffizienten und Abb. K.1
- 4.
In Abschn. 9.1.3 sind die Eigenschaften von WT und FT gegenübergestellt und weitere Transformationen werden genannt.
- 5.
Eine Ausnahme bildet der Fall, wenn die Daten in dimensionsreduzierter Form vorliegen. Dabei werden die NN-Punkte nach der Einbettung im Einbettungsraum bestimmt. Dies erspart bei der NN-Suche Rechenzeit, da sie in einem dimensionsreduzierten Raum vorgenommen wird. In Abschn. 14.3.3.2 und 15.1 wird diese Methode vorgestellt.
- 6.
Für den unwahrscheinlichen Fall (Richtungskosini für m = 1 und m = 2 über mehrere Punktdistanzen Null) ist auch die Erzeugung einer Meldung eine Option, damit passende Maßnahmen zur Genauigkeitsverbesserung eingeleitet werden können.
- 7.
- 8.
In Abschn. 12.4.9 wird die Bestimmung Standardabweichung σ des TDS im Umfeld einer Gruppe erläutert.
- 9.
- 10.
- 11.
- 12.
- 13.
Festlegung des rezeptiven Bereichs gemäß den Kennwerten des TDS in Abschn. 12.5.2.
Literatur
Kouropteva Oea (2002) Beyond Locally Linear Embedding Algorithm. Technical Report MVG-01-2002, University of Oulu Finland, Oulu
Saul LK, Roweis ST (2003) Think Globally, Fit Locally: Unsupervised Learning of Low Dimensional Manifolds. In Journal of Machine Learning Research vol. 4:S. 119–S. 155
Weinberger KQ, Sha F, Saul LK (2004) Learning a kernel matrix for nonlinear dimensionality reduction. In: Brodley C (ed) Proceedings of the 41st annual Design Automation Conference, ACM, New York, NY, p 106, https://doi.org/10.1145/1015330.1015345
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). Assoziationsraum. In: Erfassen, Verarbeiten und Zuordnen multivariater Messgrößen. Springer Vieweg, Wiesbaden. https://doi.org/10.1007/978-3-658-23576-5_14
Download citation
DOI: https://doi.org/10.1007/978-3-658-23576-5_14
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)