The energy sector is one of the most active application domains being forced to re-think the current practice and apply data-management based IT solutions to provide a scalable and sustainable supply and distribution of energy. Challenges range from energy production by seamlessly incorporating renewable energy resources over energy distribution and monitoring to controlling energy consumption. Decisions are based on huge amounts of empirically collected data from smart meters, new energy sources (increasingly RES - renewable energy sources such as wind, solar, hydro, thermal, etc), new distributions mechanisms (Smart Grid), and new types of consumers and devices, e.g., electric cars.

The energy sector is in transition–being forced to rethink the current practice and apply data-management based IT solutions to provide a scalable and sustainable supply and distribution of energy. Novel challenges range from renewable energy production over energy distribution and monitoring to controlling and moving energy consumption. Huge amounts of “Big Energy Data,” i.e., data from smart meters, new renewable energy sources (RES–such as wind, solar, hydro, thermal, etc), novel distributions mechanisms (Smart Grid), and novel types of consumers and devices, e.g., electric cars, are being collected and must be managed and analyzed to yield their potential.

The building energy (BE) management plays an essential role in urban sustainability and smart cities. Recently, the novel data science and data-driven technologies have shown significant progress in analyzing the energy consumption and energy demand datasets for a smarter energy management. The machine learning (ML) and deep learning (DL) methods and applications, in particular, have been promising for the advancement of accurate and high-performance energy models. The present study provides a comprehensive review of ML- and DL-based techniques applied for handling BE systems, and it further evaluates the performance of these techniques. Through a systematic review and a comprehensive taxonomy, the advances of ML and DL-based techniques are carefully investigated, and the promising models are introduced. According to the results obtained for energy demand forecasting, the hybrid and ensemble methods are located in the high-robustness range, SVM-based methods are located in good robustness limitation, ANN-based methods are located in medium-robustness limitation, and linear regression models are located in low-robustness limitations. On the other hand, for energy consumption forecasting, DL-based, hybrid, and ensemble-based models provided the highest robustness score. ANN, SVM, and single ML models provided good and medium robustness, and LR-based models provided a lower robustness score. In addition, for energy load forecasting, LR-based models provided the lower robustness score. The hybrid and ensemble-based models provided a higher robustness score. The DL-based and SVM-based techniques provided a good robustness score, and ANNbased techniques provided a medium robustness score.

Quang Ninh province, Vietnam has a rich wind power resources. This type of energy will be soon utilized for generating power to supply all industrial sites including mining corporations. Because of geological characteristics, wind power stations are located near the 6kV grid of mining areas, therefore it needs to make the analysis about the connection ability of wind power generators to the grids. The paper presents the connection model of a wind turbine and 6kV grids. Based on this model, the simulations of system’s possible operating mode are implemented. The conclusions about the suitable operating modes of wind turbine are pointed out to give the operators and grid managers a general observation for the possibility of connecting a wind turbine to 6kV grid / Tỉnh Quảng Ninh là một trong những địa phương giàu tiềm năng về năng lượng gió. Theo phân tích, loại năng lượng này sẽ sớm được đưa vào cung cấp điện năng cho các khu công nghiệp trong đó có các công ty than. Do đặc thù địa lý, các trạm phát phong năng được đặt khá gần các lưới điện 6kV của mỏ, vì thế cần tiến hành phân tích khả năng kết nối trực tiếp các máy phát điện gió với lưới điện này. Bài báo giới thiệu mô hình kết nối máy phát điện gió với lưới 6kV. Các mô phỏng về các chế độ vận hành có thể có của lưới cũng được thực hiện. Các kết luận về chế độ vận hành thích hợp của tua bin gió được đúc rút để giúp người vận hành, các nhà quản lý lưới điện có được cái nhìn tổng quan về khả năng kết nối tua bin gió với lưới điện 6kV.

Statistische Modelle basierend auf empirischen Daten und GIS-Analysen sind ein geeignetes Mittel, um das Landschaftsbild objektiv zu bewerten. Verbreitet sind vor allem lineare Regressionsmodelle, die vergleichsweise einfach anzuwenden und zu interpretieren, jedoch bei der Darstellung komplexer Zusammenhänge eingeschränkt sind. Die vorliegende Arbeit nutzt drei verschiedene Modelltypen für eine bundesweite, flächendeckende Bewertung der landschaftli-chen Schönheit und vergleicht diese hinsichtlich ihrer Plausibilität und ihrer anwendungsbezogenen Vor- und Nachteile. Ein lineares Regressionsmodell wird dazu einem ordinalen Regres-sionsmodell und einem neuronalen Netz gegenübergestellt, mit denen auch nichtlineare Zusammenhänge modelliert werden können. Es werden sowohl die Modelle mit ihren beteiligten Indikatoren als auch die bei der flächenhaften Anwendung entstehenden Ergebniskarten aus-führlich verglichen. Empirische Datenbasis ist eine Onlineumfrage zum Landschaftsbild, die im Rahmen des vom Bundesamt für Naturschutz beauftragten FuE-Vorhabens „Entwicklung eines Bewertungsmodells zum Landschaftsbild beim Stromnetzausbau“ durchgeführt wurde. Bei der Umfrage wurde eine Fotodokumentation mit 822 repräsentativen Landschaftsfotos unter ande-rem hinsichtlich ihrer Schönheit bewertet. Es handelt sich mit mehr als 3.500 Teilnehmenden und 44.000 Fotobewertungen um den bisher umfangreichsten Datensatz zum Landschaftsbild in Deutschland. Die Arbeit behandelt speziell die Schönheit, da sich diese im Vergleich zu an-deren im § 1 Abs. 1 Nr. 3 BNatSchG genannten Kriterien Vielfalt und Eigenart für eine intuitive Bewertung ohne Expertenwissen eignet. Der Vergleich bei der bundesweiten Anwendung der Modelle zeigt für alle drei Modelltypen überwiegend plausible und stark korrelierende Ergebnisse auf. Alle Ergebniskarten zeigen infolge des markanten Reliefunterschieds deutliche Bewertungsunterschiede zwischen der Nord- und Südhälfte Deutschlands. Es zeigt sich, dass Modelleigenschaften des linearen und ordinalen Regressionsmodells dazu führen, dass dieses Bewertungsgefälle deutlich zu stark ausgeprägt ist. Beim neuronalen Netz zeigt sich eine ausgewogenere Bewertung zwischen Norden und Süden, bei der auch Landschaftsräume ohne starke Reliefunterschiede häufig hohe Bewertungsstufen erhalten. Eine erneute Anwendung der Modelle auf die Ausgangsdaten bestätigt leichte Bewertungsvorteile des neuronalen Netzes. Es ist jedoch davon auszugehen, dass kleinere Untersuchungsgebiete mit weniger diversen Landschaftstypen dazu führen, dass die Vorhersagen verschiedener Modelltypen weniger Unterschiede aufweisen. In der Arbeit wird die zugrundeliegende Stichprobe zudem auf die Effekte sozial-empirischer Merkmale untersucht. Es zeigen sich schwache Einflüsse von Alter, Bildungsstand und Fachwissen zum Landschaftsbild. Zudem wurde untersucht, ob die landschaftliche Schönheit mit dem Vorkommen von bestimm-ten Farbtönen zusammenhängt. Ausgewählt wurden für die Analyse Grün- und Blautöne als Indikatoren für Vegetation und Wasser. Die Untersuchung zeigt keine Zusammenhänge mit blauen Farbtönen und eine geringe Korrelation zu grün(-blauen) Farbtönen. Insgesamt bestätigen die Untersuchungsergebnisse, dass in Bezug auf die landschaftliche Schönheit ein ausreichender gesellschaftlicher Konsens besteht, um empirisch-modellierende Methoden zu validen und genauen Bewertungsinstrumenten für dieses Kriterium in der Landschaftsbildbewertung zu machen.:Zusammenfassung 5 Inhalt 7 Abbildungen 10 Tabellen 13 Abkürzungsverzeichnis 15 Allgemeine Informationen 16 1. Einleitung 17 1.1 Anlass und Motivation 17 1.2 Zielstellung 18 1.3 Aufbau und Gliederung der Arbeit 19 2. Inhaltliche Grundlagen 22 2.1 Landschaft 22 2.2 Landschaftsbild 23 2.2.1 Rolle der sensorischen Wahrnehmung in der Landschaftsbildbewertung 23 2.2.2 Die Subjektebene 25 2.3 Begriffstrias Vielfalt, Eigenart und Schönheit 27 2.3.1 Vielfalt 28 2.3.2 Eigenart 28 2.3.3 Schönheit 30 2.4 Expertenbasierte, modellierende und empirisch-modellierende Landschaftsbildbewertung 31 2.5 Schönheit in der Landschaftsbildbewertung 36 2.6 Fotos als Bewertungsmedium 42 3. Fotodokumentation und Onlineumfrage 44 3.1 Erstellung der Fotodokumentation 44 3.1.1 Auswahl von Referenzräumen 44 3.1.2 Anfertigung der Fotodokumentationen 49 3.1.3 Auswahl der Fotos für die Onlineumfrage 51 3.2 Onlineumfrage 52 4. Einfluss sozial-empirischer Merkmale auf die Bewertung 55 4.1 Geschlecht 56 4.2 Alter 60 4.3 Schulabschluss 64 4.4 Berufsabschluss 66 4.5 Affinität zu Natur und Landschaft 69 4.6 Aufenthalt in der freien Landschaft 71 4.7 Berufliche Auseinandersetzung mit dem Landschaftsbild 73 4.8 Entfernung vom Wohnort zur bewerteten Landschaft 77 4.9 Ländliche oder städtische Prägung des Wohnortes 83 4.10 Zusammenfassung 85 5. Auswahl von Indikatoren 88 5.1 Operationalisierbare und nicht-operationalisierbare Indikatoren 88 5.2 Datengrundlagen 89 5.3 Liste aller potenziellen Indikatoren 90 5.4 Erhebung des Indikatorenvorkommens durch Strukturanalyse der Sichträume 95 5.4.1 Verifizierung der Sichträume 95 5.4.2 Vorbereitung der Sichträume im GIS 97 5.4.3 Ermittlung des Indikatorenvorkommens in den Sichträumen 99 5.4.4 Erfassung des Indikatorenvorkommens im GIS 101 6. Ergänzende statistische Analyse der potenziellen Indikatoren 102 7. Einfluss der Farbgebung der Landschaftsfotos auf die Bewertung 104 7.1 Messung der Farbgebung 105 7.2 Definition von Farbbereichen 107 7.3 Statistische Analyse der Daten zur Farbgebung der Landschaftsfotos 109 7.4 Fazit 110 8. Erstellung der Bewertungsmodelle 112 8.1 Lineare Regression 112 8.1.1 Voraussetzungen 114 8.1.2 Lineares Regressionsmodell zur Schönheit der Landschaft 119 8.2 Ordinale Regression 122 8.2.1 Modellerstellung bei der ordinalen Regression 124 8.2.2 Interpretation der Parameterschätzer / Berechnung von Wahrscheinlichkeiten 125 8.2.3 Vorbereitung der Daten / Ordinale Skalierung 128 8.2.4 Voraussetzungen 129 8.2.5 Ordinales Regressionsmodell zur Schönheit der Landschaft 131 8.3 Neuronales Netzwerk 135 8.3.1 Aufbau und Funktionsweise 135 8.3.2 Auswahl von Skalenniveaus für das neuronale Netz 139 8.3.3 Einstellungen zum mehrschichtigen Perzeptron in SPSS 140 8.3.4 Erstellung des mehrschichtigen Perzeptrons mit SPSS 141 8.3.5 Neuronales Netzwerk zur Schönheit der Landschaft 144 8.4 Vergleich des Aufbaus der Modelle 147 8.5 Vergleich der Modellergebnisse 149 9. Flächenhafte Anwendung der Bewertungsmodelle 153 9.1 Wahl der Bewertungseinheit 153 9.2 Erhebung des Indikatorenvorkommens in den Bewertungseinheiten 154 9.3 Übertragung des Distanzzonenkonzepts in die Flächenbewertung 155 9.4 Anwendung der Bewertungsmodelle auf das Untersuchungsgebiet 156 9.5 Einteilung der Bewertungsstufen der Ergebniskarten der Bewertungsmodelle 157 9.6 Auswertung und Vergleich der Ergebniskarten 160 9.6.1 Verteilung der Bewertungsstufen 165 9.6.2 Sichtbarer Einfluss von Indikatoren auf die Wertstufenverteilung 167 9.6.3 Fazit 175 10. Diskussion und Schlussfolgerung 177 10.1 Diskussion der drei Modellierungsmethoden und deren Ergebnisse 177 10.1.1 Einordnung der Ergebnisse 177 10.1.2 Kritische Betrachtung der Methoden und Optimierungspotenzial 179 10.2 Vor- und Nachteile der drei Modellierungsmethoden 183 10.3 Die Berechnung landschaftlicher Schönheit 185 10.4 Zweck großräumiger Landschaftsbildbewertung in der Landschaftsplanung 187 10.5 Daseinsberechtigung landschaftlicher Schönheit als Bewertungskriterium 188 10.6 Fazit 189 11. Quellenverzeichnis 190 Anhang 1 – Landschaftsfotos 202 Anhang 2 – Korrelationsanalyse der unabhängigen Variablen des linearen Regressionsmodells 213 Anhang 3 – Korrelationsanalyse der unabhängigen Variablen des ordinalen Regressionsmodells 215 Anhang 4 – Korrelationsuntersuchungen der potenziellen Indikatoren 217 Anhang 5 – Verteilung der Bewertungsstufen in den Ergebniskarten 219 Danksagung 227

Critical infrastructure networks (CIN) are essential systems that provide key socio-eco-nomical services. They can be classified into different sectors such as energy supply, in-formation and communication, water, food, health, transport, among others. Their pro-tection from hazards and constant improvements are crucial for ensuring the appropriate operation of a society and economy. In this context, the current study focused on analyzing the factors affecting the function-ing of one particular CIN in the water sector: the urban drainage networks (UDNs). More specifically, the present research focused on evaluating how does the structure of UDNs influence their function. Concepts and methods from complex network theory were used to evaluate structural properties of sewers systems and function was evaluated in terms wastewater flow quantitates and occurrence of node flooding and combined sewer over-flow (CSOs) events, considered as indicators if network performance. Initial results suggested that network metrics can be used as surrogate variables of UDNs main functions, i.e. transport and collection of wastewater. However, efficiency of this de-pended on the type of layout, i.e. physical arrangement of the network. Following studies focused then on developing a graph-theory based method to quantify the structure of an UDN and use it to evaluate the influence of layout on its function. Results suggested that sewer networks with a more meshed layout had a better performance, i.e. adverse events such as urban pluvial flooding and CSO discharges were less likely to occur, than UDNs with a branched layout. Furthermore, transitioning from a tree-like structure to a more meshed system was identified to be a cost-efficient measure for urban flooding manage-ment. It is concluded that the structure of an UDN, in terms of its layout, has a strong influence on its performance and therefore on its resilience. It is expected that the obtained results could serve as support for better management and operational actions of UDNs and could also serve as basis for the development of a new structural resiliency analysis based mainly on the UDN configuration.:1. General Introduction 2. Centrality and Shortest Path Length measures for the functional analysis of Urban Drainage Networks 3. Meshness of sewer networks and its implications for flooding occurrence 4. The Role of Sewer Network Structure on the Occurrence and Magnitude of Combined Sewer Overflows (CSOs) 5. Determination of Optimal Meshness of Sewer Network Based On a Cost-Benefit Analysis 6. Influence of Meshness on Urban Drainage Networks Resilience and its Implications 7. Conclusions and Outlook 8. Supplementary Information

In this thesis the possibilities of smart antenna systems in wireless mesh networks are examined. With respect to the individual smart antenna tradeoffs, a routing protocol (Modified HWMP, MHWMP) for IEEE 802.11s mesh networks is presented, that exploits the full range of benefits provided by smart antennas: MHWMP actively switches between the PHY-layer transmission/reception modes (multiplexing, beamforming and diversity) according to the wireless channel conditions. Spatial multiplexing and beamforming are used for unicast data transmissions, while antenna diversity is employed for efficient broadcasts. To adapt to the directional channel environment and to take full benefit of the PHY capabilities, a respective MAC scheme is employed. The presented protocol is tested in extensive simulation and the results are examined.

In this thesis the possibilities of smart antenna systems in wireless mesh networks are examined. With respect to the individual smart antenna tradeoffs, a routing protocol (Modified HWMP, MHWMP) for IEEE 802.11s mesh networks is presented, that exploits the full range of benefits provided by smart antennas: MHWMP actively switches between the PHY-layer transmission/reception modes (multiplexing, beamforming and diversity) according to the wireless channel conditions. Spatial multiplexing and beamforming are used for unicast data transmissions, while antenna diversity is employed for efficient broadcasts. To adapt to the directional channel environment and to take full benefit of the PHY capabilities, a respective MAC scheme is employed. The presented protocol is tested in extensive simulation and the results are examined.:1 Introduction 2 Wireless Mesh Networks 3 IEEE 802.11s 4 Smart Antenna Concepts 5 State of the Art: Wireless Mesh Networks with Smart Antennas 6 New Concepts 7 System Model 8 Results and Discussion 9 Conclusion and Future Work

Das drahtlose Sensornetzwerk (WSN) ist eine Technologie, die Umgebungsbedingungen oder physikalische Parameter misst, weiterleitet und per Fernüberwachung zur Verfügung stellt. Normalerweise werden die Sensorknoten, die diese Netzwerke bilden, von Batterien gespeist. Diese sollen aus verschiedenen Gründen nicht mehr verwendet werden, sondern es wird auf eine eigenständige Stromversorgung gesetzt. Dies soll den aufwendigen Austausch und die Wartung minimieren. Energy Harvesting kann mit den Knoten verwendet werden, um die Batterien zu unterstützen und die Lebensdauer der Netzwerke zu verlängern. Aufgrund der hohen Leistungsdichte der Solarenergie im Vergleich zu verschiedenen anderen Umweltenergien sind Solarzellen die am häufigsten eingesetzten Wandler, allerdings stellt die schwankende und intermittierende Natur der Solarenergie eine Herausforderung dar, einen funktionalen und zuverlässigen Sensorknoten zu versorgen. Um den Sensorknoten effektiv zu betreiben, sollte sein Energieverbrauch sinnvoll gesteuert werden. Ein interessanter Ansatz zu diesem Zweck ist die Steuerung der Aktivitäten des Knotens in Abhängigkeit von der zukünftig verfügbaren Energie. Dies erfordert eine Vorhersage der wandelbaren Sonnenenergie für die kommenden Betriebszeiten einschließlich der freien Zeiten der Sonne. Einige Vorhersagealgorithmen wurden mit stochastischen und statistischen Prinzipien sowie mit Methoden der künstlichen Intelligenz (KI) erstellt. Durch diese Algorithmen bleibt ein erheblicher Vorhersagefehler von 5-70%, der den zuverlässigen Betrieb der Knoten beeinträchtigt. Beispielsweise verwenden die stochastischen Methoden einen diskreten Energiezustand, der meist nicht zu den tatsächlichen Messwerten passt. Die statistischen Methoden verwenden einen Gewichtungsfaktor für die zuvor registrierten Messwerte. Daher sind sie nur geeignet, um Energieprofile bei konstanten Wetterbedingungen vorherzusagen. KI-Methoden erfordern große Beobachtungen im Trainingsprozess, die den benötigten Speicherplatz erhöhen. Dementsprechend ist die Leistung hinsichtlich der Vorhersagegenauigkeit dieser Algorithmen nicht ausreichend. In dieser Arbeit wird ein Vorhersagealgorithmus mit einem neuronalen Netzwerk entwickelt und eingebunden in einen Mikrocontroller, um die Verwaltung des Energieverbrauchs von solarzellengesteuerten Sensorknoten zu optimieren. Das verwendete neuronale Netzwerk wurde mit einer Kombination aus meteorologischen und statistischen Eingangsparametern realisiert. Dies hat zum Ziel, die erforderlichen Designkriterien für Sensorknoten zu erfüllen und eine Leistung zu erreichen, die in ihrer Genauigkeit die Leistung der oben genannten traditionellen Algorithmen übersteigt. Die Vorhersagegenauigkeit die durch den Korrelationskoeffizienten repräsentiert wird, wurde für das entwickelte neuronale Netzwerk auf 0,992 bestimmt. Das genaueste traditionelle Netzwerk erreicht nur einen Wert von 0,963. Das entwickelte neuronale Netzwerk wurde in einen Prototyp eines Sensorknotens integriert, um die Betriebszustände oder -modi über einen Simulationszeitraum von einer Woche anzupassen. Während dieser Zeit hat der Sensorknoten 6 Stunden zusätzlich im Normalbetrieb gearbeitet. Dies trug dazu bei, eine effektive Nutzung der verfügbaren Energie um ca. 3,6% besser zu erfüllen als das genaueste traditionelle Netz. Dadurch wird eine längere Lebensdauer und Zuverlässigkeit des Sensorknotens erreicht. / Wireless Sensor Network (WSN) is a technology that measures an environmental or physical parameters in order to use them by decision makers with a possibility of remote monitoring. Normally, sensor nodes that compose these networks are powered by batteries which are no longer feasible, especially when they used as fixed and standalone power source. This is due to the costly replacement and maintenance. Ambient energy harvesting systems can be used with these nodes to support the batteries and to prolong the lifetime of these networks. Due to the high power density of solar energy in comparison with different environmental energies, solar cells are the most utilized harvesting systems. Although that, the fluctuating and intermittent nature of solar energy causes a real challenge against fulfilling a functional and reliable sensor node. In order to operate the sensor node effectively, its energy consumption should be well managed. One interesting approach for this purpose is to control the future node’s activities according to the prospective energy available. This requires performing a prior prediction of the harvestable solar energy for the upcoming operation periods including the sun’s free times. A few prediction algorithms have been created using stochastic and statistical principles as well as artificial intelligence (AI) methods. A considerable prediction error of 5-70% is realized by these algorithms affecting the reliable operation of the nodes. For example, the stochastic ones use a discrete energy states which are mostly do not fit the actual readings. The statistical methods use a weighting factors for the previous registered readings. Thus, they are convenient only to predict energy profiles under consistent weather conditions. AI methods require large observations to be used in the training process which increase the memory space needed. Accordingly, the performance concerning the prediction accuracy of these algorithms is not sufficient. In this thesis, a prediction algorithm using a neural network has been proposed and implemented in a microcontroller for managing energy consumption of solar cell driven sensor nodes. The utilized neural network has been developed using a combination of meteorological and statistical input parameters. This is to meet a required design criteria for the sensor nodes and to fulfill a performance exceeds in its accuracy the performance of aforementioned traditional algorithms. The prediction accuracy represented by the correlation coefficient has been registered for the developed neural network to be 0.992, which increases the most accurate traditional network which has a value 0.963. The developed neural network has been embedded into a sensor node prototype to adjust the operating states or modes over a simulation period of one week. During this period, the sensor node has worked 6 hours more towards normal operation mode. This in its role helped to fulfill an effective use of available energy approximately 3.6% better than the most accurate traditional network. Thus, longer lifetime and more reliable sensor node.

Beim Entwurf großer Netzwerke der Automation ermöglichen Methoden der Leistungsbewertung den Test und die Dimensionierung eines Netzwerkes bereits vor der Inbetriebnahme und erlauben damit einen effizienten, qualitätsorientierten Entwurf. Es ist jedoch sehr wissensintensiv und aufwendig, entsprechende Analyse- oder Simulations-Modelle aufzustellen und die Ergebnisse auszuwerten, weshalb die Methoden in der Praxis der Automation selten verwendet werden. Viel vertrauter sind dem Entwerfer hingegen die speziellen Software-Tools, mit denen in der Automation Netzwerke entworfen werden. Auf Basis der Datenbanken dieser Tools werden in dieser Arbeit verschieden Verfahren zur automatischen Systemmodellierung, Verkehrsmodellierung, Leistungsbewertung und Fehlerdiagnose zu einem Control Network Performance Engineering kombiniert, welches die Qualitätsbewertung und -beratung nahtlos und ohne Mehraufwand in den Netzwerkentwurf integriert. (Die Dissertation wurde veröffentlicht im Jörg Vogt Verlag, Voglerstr. 20, 01277 Dresden, Internet: http://www.vogtverlag.de/, email: info@vogtverlag.de, ISBN 978-3-938860-10-6) / During the design of large automation networks, performance analysis methods can be used for testing and dimensioning the network before implementation and are essential for an efficient and reliable design process. However, setting up the necessary analytical or simulative models is time-consuming, requires in-depth knowledge, and is therefore often not applicable in practice. The network designers are much more used to the design tools used to develop automation networks. Based on these tools' databases various methods for automated system and traffic modeling, performance analysis and diagnoses are combined in the control network performance engineering that seamlessly integrates quality analysis and consulting into network design without requiring additional effort. (This manuscript is also available - in the form of a book - from Jörg Vogt Verlag, Voglerstr. 20, 01277 Dresden, Germany world-wide web address: http://www.vogtverlag.de/, electronic-mail address: info@vogtverlag.de, ISBN 978-3-938860-10-6 )