Skip to main content
SpringerLink
Log in

Anforderungen zur Gestaltung eines adaptiven Systems

  • Chapter
  • First Online:
Erfassen, Verarbeiten und Zuordnen multivariater Messgrößen

  • 3364 Accesses

Zusammenfassung

In diesem Kapitel wird eine modulare Verarbeitungsstruktur vorgeschlagen, der grundlegende Bedeutung bei der Umsetzung der zusammengestellten konzeptionellen Anforderungen und für eine deterministische Arbeitsweise der Lern- und Arbeitsphase zukommt. Dazu werden zunächst einige Kriterien zur Systemgestaltung genannt.

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

Access this chapter

Log in via an institution
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.

    Siehe Abschn. 2.3, Freiheitsgrade und Trainingsphase.

  2. 2.

    Siehe Abschn. 1.5, Naturnahe Strategien.

  3. 3.

    Viele Artikel [8, 5, 6, 7, 10] und Sammelbände wie z. B. [1] zeigen diesen Trend.

  4. 4.

    Siehe Abschn. 3.1, Akzeptanz beim Anwender.

  5. 5.

    Anhang F.1.1, Architekturen für die mehrdimensionale Signalverarbeitung.

  6. 6.

    Eigenständige Vorrichtungen, die Zustände überwachen und Vorgänge auslösen können, Abschn. 1.4, Nichttriviale Maschinen.

  7. 7.

    Siehe dazu Kapitel 11.3, Glossar.

  8. 8.

    Siehe Abschn. 2.4, Klassische KNN.

  9. 9.

    Fluch der Dimensionen (Curse of Dimensionality) [2], die Distanz zum NN unterscheidet sich im Hochdimensionalen kaum von der Distanz zu einem beliebigen Nachbarn und die Wahrscheinlichkeit, dass Datenobjekte am Rand des Datenraums liegen, steigt mit der Anzahl der Dimensionen exponentiell. Siehe dazu auch Anhang K.7.

  10. 10.

    Fehlerrückführungsverfahren als Standardadaptionsverfahren klassischer KNN und verwandter Verfahren [9, S. 112].

  11. 11.

    Siehe dazu Multiskalenanalyse in Abschn. 9.4, Auswahl von Wavelet-Koeffizienten in Abschn. 9.5 und Dimensionsreduktion in Abschn. 10.2.

  12. 12.

    Dies ist z. B. bei veränderten Gegebenheiten der Anwendung und einer damit verbundenen Überschreitung von Systemgrenzen der Fall.

  13. 13.

    Bei sich andauernd oder zumindest sehr oft verändernden Gegebenheiten müsste die Lerneinheit ständig präsent sein, um eine kontinuierliche Anpassung zu ermöglichen und überflüssig gewordene Altdaten zu entfernen. Dies ist bei dem in diesem Buch entworfenen Verarbeitungssystem nicht erforderlich.

  14. 14.

    Die Signaldarstellung durch spektrale Komponenten bietet die Möglichkeit, unerwünschte Komponenten z. B. Rauschanteile, zu entfernen.

Literatur

  1. Becker S, Thrun S, Obermayer K (2003) Advances in Neural Information Processing Systems 15, Proceedings of the 2002 Conference. MIT Press, Massachusetts Institute of Technologie

    Google Scholar 

  2. Bellmann R (1967) Dynamische Programmierung und selbstanpassende Regelprozesse. R. Oldenbourg Verlag, München

    Google Scholar 

  3. Gramlich G (2004) Lineare Algebra: Eine Einführung für Ingenieure. Carl Hanser Verlag, München and Wien

    MATH  Google Scholar 

  4. Kasabov NK (1996) Foundations of Neural Networks, Fuzzy Systems and Knowledge Engineering. The MIT Press, Cambridge, Massachusetts, London, England

    MATH  Google Scholar 

  5. Kouropteva O, Okun O, Pietikäinen (2003) Classification of handwritten digits using supervised locally linear embedding algorithm and support vector machine. In: Lecture Notes in Computer Science, Springer Verlag, pp 229–234

    Google Scholar 

  6. Kouropteva O, Okun O, Pietikäinen M (2003) Supervised Locally Linear Embedding Algorithm for Pattern Recognition. In: Perales FJ, Campilho AJC, Blanca NP, Sanfeliu A (eds) Pattern Recognition and Image Analysis, Lecture Notes in Computer Science, vol 2652, Springer, Berlin and Heidelberg, pp 386–394, https://doi.org/10.1007/978-3-540-44871-6_45

    Chapter  Google Scholar 

  7. Tenenbaum JBa (2000) A global Geometric Framework for Nonlinear Dimensionality Reduction. In SCIENCE vol. 290:S.2319–S.2323

    Google Scholar 

  8. Tsai, F S, Wu Y, Chan KL (2004) Nonlinear Dimensionality Reduction Techniques and their Applications. In EEE Research Bulletin pp 52–53

    Google Scholar 

  9. Zell A (2003) Simulation neuronaler Netze. Oldenbourg Wissenschaftsverlag GmbH, München and Wien

    MATH  Google Scholar 

  10. Zhang C, Wang J, Zhao N, Zhang D (2004) Reconstruction and analysis of multi-pose face images based on nonlinear dimensionality reduction. Pattern Recognition, The journal of the pattern recognition society vol. 37:S.325 – 336

    Article  Google Scholar 

Download references

Author information

Authors and Affiliations

  1. Hagen, Deutschland

    Gerhard Sartorius

Authors
  1. Gerhard Sartorius
    View author publications

    You can also search for this author in PubMed Google Scholar

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). Anforderungen zur Gestaltung eines adaptiven Systems. In: Erfassen, Verarbeiten und Zuordnen multivariater Messgrößen. Springer Vieweg, Wiesbaden. https://doi.org/10.1007/978-3-658-23576-5_3

Download citation

Publish with us

Policies and ethics

Search

Navigation