Skip to main content
Top

2019 | OriginalPaper | Chapter

14. Assoziationsraum

Activate our intelligent search to find suitable subject content or patents.

search-config
loading …

Zusammenfassung

Die Daten aus dem Merkmalsraum liegen am Eingang des Assoziationsraums direkt als Messdaten oder in einer anderen Darstellungsart vor. Die bisherigen Prozeduren zur Vorbereitung der Messdaten sorgen dafür, dass die Messdaten fehlerfrei sind und in einer Form vorliegen, die es erlaubt, mit wesentlichen Anteilen dieser Daten die Bildung einer MF und damit die Bildung eines rezeptiven Bereiches, der die Charakteristik des Messobjektes möglichst genau und eindeutig repräsentiert, für alle Gruppen durchzuführen. Die Ergebnisse aus der vorhergegangen Informationsgewinnung und Vorverarbeitung müssen nun zusammengeführt und dem entsprechenden Objekt zugeordnet werden. Zusätzlich können im Assoziationsraum Objektinformationen gewonnen werden, die es erlauben, Beziehungen der trainierten Objekte untereinander herzustellen, um diese für verschiedene Anwendungen in passender Form visuell darstellen zu können.

Dont have a licence yet? Then find out more about our products and how to get one now:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Footnotes
1
Siehe Abschn. 9.​1.​1, Distanzerhaltung.
 
2
Im Anhang K in Tab. K.1 und K.2 sind weitere Vorschläge für Anweisungen zur Durchführung der Trainings- und Arbeitsphase (als GUIs zum Bedienen der Lernmaschine) gelistet.
 
3
Siehe dazu auch Abschn. K.1.1 Wavelet-Koeffizienten und Abb. K.1
 
4
In Abschn. 9.​1.​3 sind die Eigenschaften von WT und FT gegenübergestellt und weitere Transformationen werden genannt.
 
5
Eine Ausnahme bildet der Fall, wenn die Daten in dimensionsreduzierter Form vorliegen. Dabei werden die NN-Punkte nach der Einbettung im Einbettungsraum bestimmt. Dies erspart bei der NN-Suche Rechenzeit, da sie in einem dimensionsreduzierten Raum vorgenommen wird. In Abschn. 14.3.3.2 und 15.​1 wird diese Methode vorgestellt.
 
6
Für den unwahrscheinlichen Fall (Richtungskosini für m = 1 und m = 2 über mehrere Punktdistanzen Null) ist auch die Erzeugung einer Meldung eine Option, damit passende Maßnahmen zur Genauigkeitsverbesserung eingeleitet werden können.
 
7
In [2, 1] werden für die LLE-Methode, auf der NOP aufbaut, Verfahren zur Bestimmung von d angegeben, die jedoch sehr aufwändig oder nicht genau genug sind. Mit der MVU-Methode in [3] kann d zwar bestimmt werden, jedoch ist dieses Verfahren wegen der vollbesetzten Matrizen numerisch sehr aufwändig.
 
8
In Abschn. 12.​4.​9 wird die Bestimmung Standardabweichung σ des TDS im Umfeld einer Gruppe erläutert.
 
9
Die Bestimmung dieser Verknüpfungen wird in Abschn. 14.3.3.2 mit Gl. (14.1) durchgeführt.
 
10
In Abb. 6.​6 ist die Distanzfehlerentwicklung der Manhattan-Distanz der euklidischen Distanz gegenübergestellt und in Abschn. 6.​4 sind die Eigenschaften der Manhattan-Distanz aufgeführt.
 
11
In Abschn. 11.​5.​1 und 17.​3 sind die Möglichkeiten der Überprüfung des Modells M durch Validierung erläutert und wichtige Aspekte bezüglich des MAE-Verfahrens werden genannt.
 
12
Rekonstruktion im niedrigdimensionalen Raum durch Matrix-Vektor-Operation mit Formel (10.​17) in Abschn. 10.​7.​6.
 
13
Festlegung des rezeptiven Bereichs gemäß den Kennwerten des TDS in Abschn. 12.​5.​2.
 
Literature
1.
go back to reference Kouropteva Oea (2002) Beyond Locally Linear Embedding Algorithm. Technical Report MVG-01-2002, University of Oulu Finland, Oulu Kouropteva Oea (2002) Beyond Locally Linear Embedding Algorithm. Technical Report MVG-01-2002, University of Oulu Finland, Oulu
2.
go back to reference Saul LK, Roweis ST (2003) Think Globally, Fit Locally: Unsupervised Learning of Low Dimensional Manifolds. In Journal of Machine Learning Research vol. 4:S. 119–S. 155 Saul LK, Roweis ST (2003) Think Globally, Fit Locally: Unsupervised Learning of Low Dimensional Manifolds. In Journal of Machine Learning Research vol. 4:S. 119–S. 155
Metadata
Title
Assoziationsraum
Author
Gerhard Sartorius
Copyright Year
2019
DOI
https://doi.org/10.1007/978-3-658-23576-5_14