Skip to main content
  • 3610 Accesses

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.

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.

    Weights and distance values of the measured DPs for the NN-method are arranged in a square matrix [12].

  2. 2.

    Die Ermittlung des Stichprobenumfangs orientiert sich an den Ausführungen in [3].

Literatur

  1. Breuer D (2014) Abstandsmaße für die multivariate adaptive Einbettung. Masterarbeit, FernUni Hagen

    Google Scholar 

  2. Diehl JM, Kohr H (2004) Deskriptive Statistik.13. Auflage, ISBN 3-88074-110-. Verlag Dietmar Klotz, Eschborn

    Google Scholar 

  3. 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

  4. Hernla M (2017) Messunsicherheit und Fähigkeit. URL http://dr-hernla.de/Hernla%20QZ%201996%20Messunsicherheit.pdf

  5. 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/

  6. Kistner A, Klofutar A, Beutelschieß F (1994) Anwendungsstand Künstlicher Neuronaler Netze in der Automatisierungstechnik. In atp-Automatisierungstechnische Praxis vol. 36:S. 36–41

    Google Scholar 

  7. 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

  8. Mildenberger O (1995) System- und Signaltheorie, 3rd edn. Friedr. Vieweg & Sohn Verlagsgesellschaft GmbH, Braunschweig, Wiesbaden

    Book  Google Scholar 

  9. Patzelt R (1996) Elektrische Meßtechnik. Springer-Verlag, Wien, New York

    Google Scholar 

  10. Pfeifer T, Profos P (2008) Handbuch der industriellen Messtechnik. Oldenbourg Industrieverlag

    Google Scholar 

  11. Sachs M (2003) Wahrscheinlichkeitsrechnung und Statistik für Ingenieurstudenten an Fachhochschulen. Fachbuchverlag Leipzig im Carl Hanser Verlag, München, Wien

    Google Scholar 

  12. 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 

  13. Wupper H, Niemeyer U (1996) Elektronische Schaltungen 1: Grundlagen, Analyse, Aufbau (Springer-Lehrbuch), 2nd edn. Springer Verlag, Heidelberg

    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). 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

Publish with us

Policies and ethics