Zusammenfassung
Das MAE-Verfahren wurde mit verschiedenen Betriebssystemen und unterschiedlicher Hardware in folgenden Projekten angewendet:
-
1.
Klassifizierung von Spektren (Trainings- und Arbeitseinheit: PC).
-
2.
Beschreibung der Prozesskontrolle zur Ansteuerung von Aktoren und eines Schubzylinders in Abhängigkeit verschiedener Analogsignale als Klassifizierungsproblem (Trainingseinheit: PC, Arbeitseinheit: SPS).
-
3.
Positionsbestimmung von Objekten in einem Raum (Trainingseinheit: PC, Arbeitseinheit: Mikrokontroller).
-
4.
Fusion von artgleichen Sensorsignalen zur Verbesserung der Anzeigegenauigkeit (Trainingseinheit: PC, Arbeitseinheit: Mikrokontroller).
This is a preview of subscription content, log in via an institution to check access.
Access this chapter
Tax calculation will be finalised at checkout
Purchases are for personal use only
Literatur
Halang W, Gerhard, Sartorius, Dipl-Ing, Talbot S (2008) DE102008054345B4 – Verfahren und Vorrichtung zur Detektion von Kampfstoffen. URL https://patents.google.com/patent/DE102008054345B4/de
Halang W, Gerhard,Sartorius, Dipl-Ing, Talbot S (2013)
Kouropteva Oea (2002) Beyond Locally Linear Embedding Algorithm. Technical Report MVG-01-2002, University of Oulu Finland, Oulu
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
Sartorius G (2011) Multivariate Adaptive Embedding, MAE-Process. In: Herwig Unger, Kyandoghere Kyamakya, Janusz Kacprzyk (ed) Autonomous Systems: Developments and Trends, Springer Verlag, Düsseldorf, pp 109–117
Sartorius G (2012) Multivariate Adaptive Embedding, MAE-Process. In: Unger H, Kyamaky K, Kacprzyk J (eds) Autonomous Systems: Developments and Trends, Studies in Computational Intelligence, vol 391, Springer Berlin Heidelberg, Berlin, Heidelberg, pp 109–117, https://doi.org/10.1007/978-3-642-24806-1_9
Sartorius G (2013) Classification of Inactivated Pathogens Using Multivariate Adaptive Embedding. In: Unger H, Halang WA (eds) Autonomous systems 2013, Schriften zur Informations- und Kommunikationstechnik, VDI-Verl., Düsseldorf, pp 31–47
Sartorius G (2017) Data Preprocessing and Outlier Detection in Multivariate Data. In: Herwig Unger, Wolgang A Halang (ed) Autonomous Systems, VDI-Verlag GmbH, Düsseldorf, Reihe 10, Informatik/Kommunikation, vol 857, pp 105–140
Sartorius G (2017) Metrologie and Machine Learning. In: Herwig Unger, Wolgang A Halang (ed) Autonomous Systems, VDI-Verlag GmbH, Düsseldorf, Reihe 10, Informatik/Kommunikation, pp 88–104
Sartorius G, Talbot S (2011) Multivariate adaptation and classification method for characteristic sample properties. Engineering in Life Sciences Volume 11, Issue 5, October 2011: Pages 463–467;
Talbot S (2008) Klassifizierung mit dem MAE-Verfahren: Anwendererfahrungen
Talbot S, Sartorius G (2011) Multivariate adaptative embedding (MAE) for the identification of bacterial pathogens in the field. Engineering in Life Sciences Volume 11, Issue 5, October 2011:Pages 468–475
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). Zusammenfassung der Ergebnisse. In: Erfassen, Verarbeiten und Zuordnen multivariater Messgrößen. Springer Vieweg, Wiesbaden. https://doi.org/10.1007/978-3-658-23576-5_21
Download citation
DOI: https://doi.org/10.1007/978-3-658-23576-5_21
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)