Zusammenfassung
Die Messdaten verschiedener Messereignisse liegen als Datengruppen vor. Die Daten des Messereignisses sind wie Zufallsstichproben Gauß-verteilt. In diesem Kapitel wird eine Glättungsmethode vorgestellt, die die statistischen Kennwerte dieser Daten nutzt und die Eigenwerte dieser Daten nicht oder nur unwesentlich verändert. Eine MF, die zunächst nur aus einer diskreten Anzahl von Messpunkten im D-dimensionalen Raum besteht, weist Lücken auf und kann entweder durch Approximation oder durch Interpolation geglättet werden. Approximation wendet man bei Messpunkten an, die durch eine ausgleichende Kurve repräsentiert werden sollen, um die Fehlerquadrate zu minimieren, Interpolation, wenn die Messpunkte als exakt angenommen werden können und es erforderlich ist, Zwischenwerte einzubringen, sodass eine glatte Raumkurve entsteht.
Access this chapter
Tax calculation will be finalised at checkout
Purchases are for personal use only
Notes
- 1.
Bei der Bestimmung der Distanzen in hochdimensionalen Räumen spielt die Metrik für die Präzision bei der Verarbeitung eine entscheidende Rolle. Der Sachverhalt dazu ist in Abschn. 6.1.3 beschrieben.
- 2.
- 3.
Diese Beziehung ist beim MAE-Verfahren durch das Maß MaxDist2NN, das aus den statistischen Kennwerten des TDS abgeleitet ist, gegeben (Abschn. 12.4.9).
- 4.
Maße für die Richtungsänderung sind in Abschn. 8.5 gegenübergestellt.
- 5.
In [3] wird die Glattheit angrenzender Strukturen erzwungen, um Zwischenwerte zur Verfeinerung einer grob abgespeicherten Struktur, z. B. bei Bildern, zu interpolieren.
- 6.
Statt der Winkelabweichung kann auch eine definierte maximale Distanz zwischen aufeinanderfolgenden DPs verwendet werden.
- 7.
Linear Noiseless Sensors [5].
- 8.
In Abschn. 8.6.1 in [6] wurde eine DR mit mehreren Gruppen durchgeführt.
- 9.
- 10.
Als Test bietet sich an, verrauschte Daten aus dem X-Raum in den Einbettungsraum (z. B. Y-Raum) zu transformieren, anschließend im Einbettungsraum einen Zwischenwert zu interpolieren und diesen in den X-Raum zurückzutransformieren. Verglichen wird dieser Wert dann mit einem nach der Fehlerquadratmethode direkt im X-Raum approximierten Wert. Dies lässt sich z. B. bei t=0,5 des parametrischen Splines durchführen.
Literatur
Brand M (2002) A unifying theorem for spectral embedding and clustering. URL (http://www.merl.com)
Braun ML (2005) Spectral Properties of the Kernel Matrix and their Relation to Methods in Machine Learning. Dissertation, Mathematisch-Naturwissenschaftliche Fakultät der Rheinischen Friedrisch-Wilhelm-Universität Bonn
Chang H, Yeung DY (2006) Robust locally linear embedding. Pattern Recognition 39(6):1053–1065, https://doi.org/10.1016/j.patcog.2005.07.011
Herrmann N (2007) Höhere Mathematik: Für Ingenieure, Physiker und Mathematiker, 2nd edn. Oldenbourg, München, DOI 10.1524/9783486593518, URL http://www.oldenbourg-link.de/isbn/9783486584479
Roweis ST (2003) Nonlinear Blind Sensor Fusion and Identifikation. URL (https://cs.nyu.edu/~roweis/papers/sensor.pdf)
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
Scheibl HJ (1990) Numerische Methoden für den Ingenieur: Praktische Anwendungen auf dem PC, Edition expertsoft, vol 1. expert-Verl., Ehningen bei Böblingen
Tobler WR (1979) Smooth pycnophylactic interpolation for geographical regions. In Journal of the American Statistical Association vol. 7, No. 357:S. 519–536
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
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). Glättung einer Mannigfaltigkeit. In: Erfassen, Verarbeiten und Zuordnen multivariater Messgrößen. Springer Vieweg, Wiesbaden. https://doi.org/10.1007/978-3-658-23576-5_7
Download citation
DOI: https://doi.org/10.1007/978-3-658-23576-5_7
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)