Zusammenfassung
Die schnelle Entwicklung der Messtechnik in den letzten Jahren hat dazu geführt, dass nicht nur die Elektronik und Digitaltechnik, sondern auch die Verarbeitungsverfahren für die mit Messgeräten gewonnenen Daten bei der Repräsentation der Messergebnisse eine immer größere Rolle spielen. Bei praktischen Anwendungen stehen in der Regel Daten zur Verfügung, die fehlerbehaftet sein können. Vor der Verwendung müssen sie geprüft und aufbereitet werden. Die Daten der Messwerte sind mehr oder weniger verrauscht, ungünstig skaliert oder ungünstig formatiert. Diese Unzulänglichkeiten müssen in der Datenvorverarbeitung erkannt und so berücksichtigt werden, dass für jeden Datensatz ein für die Aufgabenstellung passendes Modell erstellt werden kann. Die klassische Messtechnik liefert Messwerte in Form von Anzeigen, Analogwerten, Digitalwerten sowie Messwerte als Zahlenwerte, die beispielsweise ein Spektrum repräsentieren. Damit die Daten auf Datenträgern abspeicherbar sind, müssen sie in eine maschinell lesbare Form umformbar sein und vor der Verwendung in einer solchen vorliegen.
Access this chapter
Tax calculation will be finalised at checkout
Purchases are for personal use only
Literatur
Breuer D (2014) Abstandsmaße für die multivariate adaptive Einbettung. Masterarbeit, FernUni Hagen
Diehl JM, Kohr H (2004) Deskriptive Statistik.13. Auflage, ISBN 3-88074-110-. Verlag Dietmar Klotz, Eschborn
Gesamtredaktion und fachliche Beratung (2017) Handbuch für Organisationsuntersuchungen und Personalbedarfsermittlung: Kapitel 5.1.4.4 Ermittlung des Stichprobenumfangs. URL https://www.orghandbuch.de/OHB/DE/node.html
Hernla M (2017) Messunsicherheit und Fähigkeit. URL http://dr-hernla.de/Hernla%20QZ%201996%20Messunsicherheit.pdf
Hofmann M, Neukart F, Bäck T (2017) Künstliche Intelligenz und Data Science in der Automobilindustrie. URL https://data-science-blog.com/blog/2017/03/23/kunstliche-intelligenz-und-data-science-in-der-automobilindustrie/
Kistner A, Klofutar A, Beutelschieß F (1994) Anwendungsstand Künstlicher Neuronaler Netze in der Automatisierungstechnik. In atp-Automatisierungstechnische Praxis vol. 36:S. 36–41
Leo WR (1992) STATISTICS AND THE TREATMENT OF EXPERIMENTAL DATA: The Gaussian or Normal Distribution. URL https://ned.ipac.caltech.edu/level5/Leo/frames.html
Mildenberger O (1995) System- und Signaltheorie, 3rd edn. Friedr. Vieweg & Sohn Verlagsgesellschaft GmbH, Braunschweig, Wiesbaden
Patzelt R (1996) Elektrische Meßtechnik. Springer-Verlag, Wien, New York
Pfeifer T, Profos P (2008) Handbuch der industriellen Messtechnik. Oldenbourg Industrieverlag
Sachs M (2003) Wahrscheinlichkeitsrechnung und Statistik für Ingenieurstudenten an Fachhochschulen. Fachbuchverlag Leipzig im Carl Hanser Verlag, München, Wien
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
Wupper H, Niemeyer U (1996) Elektronische Schaltungen 1: Grundlagen, Analyse, Aufbau (Springer-Lehrbuch), 2nd edn. Springer Verlag, Heidelberg
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). Messtechnik und maschinelles Lernen. In: Erfassen, Verarbeiten und Zuordnen multivariater Messgrößen. Springer Vieweg, Wiesbaden. https://doi.org/10.1007/978-3-658-23576-5_5
Download citation
DOI: https://doi.org/10.1007/978-3-658-23576-5_5
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)