iPhoneAlle anzeigen
iPhone 11iPhone 11 ProiPhone 11 Pro MaxiPhone 12iPhone 12 ProiPhone 12 Pro MaxiPhone 12 miniiPhone 13iPhone 13 ProiPhone 13 Pro MaxiPhone 13 miniiPhone 14iPhone 14 PlusiPhone 14 ProiPhone 14 Pro MaxiPhone 15iPhone 15 PlusiPhone 15 ProiPhone 15 Pro MaxiPhone 16iPhone 16 PlusiPhone 16 ProiPhone 16 Pro MaxiPhone 16eiPhone 8iPhone 8 PlusiPhone SE 2020iPhone SE 2022iPhone XiPhone XRiPhone XSiPhone XS Max
Galaxy A-SerieAlle anzeigen
Galaxy A12Galaxy A13Galaxy A13 5GGalaxy A14Galaxy A15Galaxy A16Galaxy A17 5GGalaxy A20eGalaxy A21Galaxy A22Galaxy A23Galaxy A24Galaxy A25Galaxy A26 5GGalaxy A32Galaxy A33Galaxy A34Galaxy A35Galaxy A36 5GGalaxy A40Galaxy A41Galaxy A42Galaxy A50Galaxy A51Galaxy A52Galaxy A53Galaxy A54Galaxy A55Galaxy A56 5GGalaxy A70Galaxy A71Galaxy A72
Redmi SeriesAlle anzeigen
Redmi 10Redmi 13CRedmi 15 5GRedmi Note 10Redmi Note 10 ProRedmi Note 11Redmi Note 11 ProRedmi Note 11 Pro Plus 5GRedmi Note 11sRedmi Note 12Redmi Note 12 5GRedmi Note 12 ProRedmi Note 12 Pro 5GRedmi Note 12 Pro PlusRedmi Note 13Redmi Note 13 5GRedmi Note 13 ProRedmi Note 13 Pro PlusRedmi Note 14Redmi Note 14 Pro PlusRedmi Note 8Redmi Note 8 ProRedmi Note 9Redmi Note 9 Pro
- Startseite
Bücher Analyse heterogener Daten in der Automatisierungstechnik durch den Einsatz robuster Machine Learning Modelle
Derzeit nicht verfügbar
Handgeprüfte Gebrauchtware
Bis zu 50 % günstiger als neu
Der Umwelt zuliebe
Analyse heterogener Daten in der Automatisierungstechnik durch den Einsatz robuster Machine Learning Modelle
Simon Kamm (Broschiert, Deutsch)
★★★★★
☆☆☆☆☆ Keine Bewertungen vorhanden
Optischer Zustand
Beschreibung
In der Automatisierungstechnik stehen zunehmend große, heterogene Datenmengen („Big Data“) zur Verfügung, deren Analyse jedoch durch unterschiedliche Formate und Datensilos erschwert wird. Ziel dieser Arbeit ist die Entwicklung einer Architektur zur robusten Nutzung solcher Daten im Kontext automatisierter Systeme. Dabei wird vorhandenes Expertenwissen durch Simulationsmodelle, Transfer Learning… und Physics-Informed Neural Networks integriert, um die Qualität von Anwendungen zu steigern.
Die vorgeschlagene Architektur umfasst die Integration und Verwaltung heterogener Daten mittels Ontologien sowie eine Daten-Virtualisierungskomponente in Form eines Virtual Knowledge Graphs. Diese stellt Datenquellen abstrahiert und standardisiert für Analysen bereit. Für die Auswertung kommen modulare, multi-modale neuronale Netze zum Einsatz, die verschiedene Datenmodalitäten kombinieren und in zwei Szenarien getestet werden: einer Fehleranalyse für Elektronikbauteile sowie einer Bodentyperkennung mit einem Roboterhund.
Die Ergebnisse zeigen deutliche Verbesserungen: Die Nutzung multi-modaler Daten erhöht die Vorhersagegenauigkeit um bis zu 11%, die Robustheit der Modelle um bis zu 35%. Zudem stabilisiert die Einbindung von Expertenwissen das Training, erweitert die Explorationsfähigkeit und reduziert den Vorhersagefehler um bis zu 15%. Damit leistet die Arbeit einen Beitrag zur effizienten und widerstandsfähigen Datenanalyse in automatisierten Systemen und eröffnet neue Möglichkeiten für präzisere Diagnosen und weitergehende Automatisierung. Dieses Produkt haben wir gerade leider nicht auf Lager.
Handgeprüfte Gebrauchtware
Bis zu 50 % günstiger als neu
Der Umwelt zuliebe
Technische Daten
Erscheinungsdatum
20.02.2026
Sprache
Deutsch
EAN
9783819105005
Herausgeber
Shaker
Serien- oder Bandtitel
IAS-Forschungsberichte
Sonderedition
Nein
Autor
Simon Kamm
Seitenanzahl
150
Auflage
1
Einbandart
Broschiert
Hersteller: Shaker Verlag GmbH, Am Langen Graben 15a, Düren, Deutschland, 52353, info@shaker.de, Ruth Babel
-.-
★★★★★
☆☆☆☆☆ Leider noch keine Bewertungen
Leider noch keine Bewertungen
Sicher bei rebuy kaufen
Schreib die erste Bewertung für dieses Produkt!
Wenn du eine Bewertung für dieses Produkt schreibst, hilfst du allen Kund:innen, die noch überlegen, ob sie das Produkt kaufen wollen. Vielen Dank, dass du mitmachst!
Sicher bei rebuy kaufen