Univ., Diss.--Augsburg, 2004.

Mittels künstlichen neuronalen Netzen wurden die in den rekultivierten Tagebaukippen im Nordraum Lausitz (Tagebaue Schlabendorf und Seese) auftretenden Geländedeformationen infolge Bodenverflüssigung für die Jahre 2009 - 2013 als Zeitreihe modelliert. Das Modell ist in der Lage, grob die zeitliche Entwicklung und exakt die räumliche Lage des in den Kippen auftretenden Gefährdungspotenzials nachzuvollziehen und als Funktion des sich ändernden Grundwasserspiegels und der sich ändernden Oberflächenmorphologie in die Zukunft zu prognostizieren. Das Modell zeigt dynamisch das Entstehen neuer Risikoflächen in bisher scheinbar stabilen Bereichen des Untersuchungsgebietes. Die Korrektheit des Modells wurde mittels verschiedener Tests geprüft sowie anhand einer Prognoserechnung für das Jahr 2014 und des Vergleichs mit den real in 2014/2015 gegangenen Ereignissen nachgewiesen. Folgende Gefährdungsfaktoren wurden ermittelt: Destabilisierend wirken eine möglichst einförmige Lithologie folgender Zusammenset-zung: 31 % Feinsand, 34 % Mittelsand, 31 % Grobsand, 3 % Schluff, < 1 % Kies, < 1 % Kalk, < 1 % Ton, < 1 % Kohle, kf-Werte zwischen 10-4 und 10-4,5 m/s, ein Grundwasserflurabstand bei 3,45 m (Medianwert), möglichst hohe Gradienten der nicht lithologisch kontrollierten Parameter: Tagebauoberfläche, Grundwasseroberfläche, Grundwasserflurabstand und Mächtigkeit der gesättigten Kippe. Stabilisierend wirken vor allem eine möglichst große Heterogenität der Lithologie auf kleinem Raum (möglichst hohe Gradienten der lithologisch kontrollierten Parameter (z.B. Kiesgehalt, Sandgehalt, Tongehalt, Kohlegehalt)), ein möglichst geringer Sandanteil, möglichst hohe Anteile an Kies, Schluff, Ton, Kalk, bzw. Kohle, ein möglichst großer Grundwasserflurabstand sowie möglichst geringe Gradienten der nicht lithologisch kontrollierten Parameter: Tagebauoberfläche, Grundwasseroberfläche, Grundwasserflurabstand, Mächtigkeit der gesättigten Kippe sowie wechselnde kf-Werte 10-7 bzw. >10-2 m/s. Für die Bearbeitung wurden ausschließlich die bei der LMBV vorhandenen bzw. laufend flächendeckend erhobenen Daten genutzt: Lage des Grundwasserspiegels, Relief der Tagebauoberfläche, Liegendes der Kippe, geologische Daten der Vorfeldbohrungen. Das Modell kann als dynamisches Instrument zum Risikomanagement vor bzw. während der Sanierungsmaßnahmen genutzt werden. Mittels der Variation der prozesskontrollie-renden Parameter können die geotechnischen Auswirkungen verschiedener Sanierungsszenarien (z.B. Gestaltung der Tagebauoberfläche, Schüttung der Kippen, Grundwasseranstieg) auf die Stabilität der Kippen prognostiziert werden. / Geotechnical events (terrain deformation due to soil liquefaction) in lignite mining waste rock piles of the northern Lausitz area (opencast pits Schlabendorf and Seese), have been modeled as time series for the years 2009 – 2013 by using artificial neural networks. The model has clearly recognized the influences of various lithological and non-lithological controlled parameters on the occurrence of geotechnical events, and these have been quantified and weighted in terms of their importance. The model is able to predict the tem-poral evolution and the exact spatial location of the events occurring in the dumps as a function of changing groundwater levels and surface morphology. The model shows dynamically the emergence of new risk areas in hitherto seemingly stable areas. The correctness of the model was confirmed by means of various tests and its predictive success was demonstrated through forecasting of events for the years 2014 and 2015 and their comparison with the observed events of those years. The following main risk factors were identified: Important destabilizing factors are a monotonous lithology with the following composition: 31% fine sand, 34% medium sand, 31% coarse sand, 3% silt, <1% gravel, <1% lime, <1% clay, <1% coal, kf-values between 10-4 and 10-4.5 m/s, a surface to groundwater distance of 3.45 meters (median value), high gradients of non-lithological controlled parameters: waste dump surface, groundwater level, depth to groundwater and thickness of saturated dump. 2. Important stabilizing factors are a high heterogeneity of lithology (high gradients of the lithological controlled parameters: e.g. gravel content, sand content, clay content, carbon content), a low proportion of sand in the dump composition, high proportions of gravel, silt, clay, lime, or coal, a high depth to groundwater, low gradients of non-lithological controlled parameters: open pit surface, groundwater surface, depth to groundwater, thickness of saturated dump, strongly changing kf values between 10-7 and 10-2 m/s. The model can be used as a dynamic tool for risk management before and during the re-habilitation of lignite waste dumps, and for constructing stable waste dumps. By means of varying the model parameters (e.g. design of the dump surface, composition of dumped rocks, rising groundwater) the geotechnical effects of dump design and remediation scenarios can be predicted.

Das Training künstlicher neuronaler Netze mittels Gradientenverfahren wird detailliert mit allen Her- und Ableitungen beschrieben, implementiert und demonstriert.

Der Einsatz faltender künstlicher neuronaler Netze wird anhand einer Bildklassifikationsaufgabe demonstriert. Die vom neuronalen Netz erlernten Strukturen werden detailliert untersucht und visualisiert.

An der Verarbeitung natürlicher Sprache durch computerbasierte Systeme wurde immer aktiv entwickelt und geforscht, um Aufgaben in den am weitesten verbreiteten Sprachen zu lösen. In dieser Arbeit werden verschiedene Ansätze zur Lösung von Problemen in diesem Bereich mittels künstlicher neuronaler Netze beschrieben. Dabei konzentriert sich diese Arbeit hauptsächlich auf modernere Architekturen wie Transformatoren oder BERT. Ziel dabei ist es, diese besser zu verstehen und herauszufinden, welche Vorteile sie gegenüber herkömmlichen künstlichen neuronalen Netzwerken haben. Anschließend wird dieses erlangte Wissen an einer Aufgabe aus dem Bereich der Verarbeitung natürlicher Sprache getestet, in welcher mittels einer sogenannten Named Entity Recognition (NER) spezielle Informationen aus Texten extrahiert werden.:1 Einleitung 1.1 Verarbeitung natürlicher Sprache (NLP) 1.2 Neuronale Netze 1.2.1 Biologischer Hintergrund 1.3 Aufbau der Arbeit 2 Grundlagen 2.1 Künstliche neuronale Netze 2.1.1 Arten des Lernens 2.1.2 Aktivierungsfunktionen 2.1.3 Verlustfunktionen 2.1.4 Optimierer 2.1.5 Über- und Unteranpassung 2.1.6 Explodierender und verschwindender Gradient 2.1.7 Optimierungsverfahren 3 Netzwerkarchitekturen zur Verarbeitung natürlicher Sprache 3.1 Rekurrente neuronale Netze (RNN) 3.1.1 Langes Kurzzeitgedächtnis (LSTM) 3.2 Autoencoder 3.3 Transformator 3.3.1 Worteinbettungen 3.3.2 Positionscodierung 3.3.3 Encoderblock 3.3.4 Decoderblock 3.3.5 Grenzen Transformatorarchitektur 3.4 Bidirektionale Encoder-Darstellungen von Transformatoren (BERT) 3.4.1 Vortraining 3.4.2 Feinabstimmung 4 Praktischer Teil und Ergebnisse 4.1 Aufgabe 4.2 Verwendete Bibliotheken, Programmiersprachen und Software 4.2.1 Python 4.2.2 NumPy 4.2.3 pandas 4.2.4 scikit-learn 4.2.5 Tensorflow 4.2.6 Keras 4.2.7 ktrain 4.2.8 Data Version Control (dvc) 4.2.9 FastAPI 4.2.10 Docker 4.2.11 Amazon Web Services 4.3 Daten 4.4 Netzwerkarchitektur 4.5 Training 4.6 Auswertung 4.7 Implementierung 5 Schlussbemerkungen 5.1 Zusammenfassung und Ausblick

Genetische Netzwerke zeigen wie Gene über ihre Produkte wieder andere Gene regulieren. Sind die Netzwerktopologie und die Art der Einflüsse bekannt, können Vorhersagen über das dynamische Verhalten der individuellen genetischen Expression von Zellen getroffen werden. Mögliche Modelle für genetische Netzwerke sind Boolesche Netze und Dynamische Bayessche Netze. Genregulationsnetzwerke zu analysieren und zu verstehen, ist auf einer abstrakten Ebene mit Hilfe eines Computers und dieser Modelle möglich. In der vorliegenden Arbeit wird auf der Basis von in-silico Experimenten analysiert, wie ein Modell für genetische Netzwerke aus Genexpressionsdaten von einzelnen Zellen gelernt werden kann, wenn nur unvollständiges Wissen über die initialen Genexpressionszustände vorliegt. Der initiale Expressionszustand wird unvollständig festgelegt, indem die Expressionsstärke einiger Gene gezielt manipuliert wird. Boolesche Netze repräsentieren das genetische Netzwerk der in-silico Zellen. Ihre Regeln sind deterministischer Art und sind bei vollständig gegebenen Daten mit dem Reverse Engineering Algorithmus REVEAL einfach rekonstruierbar. REVEAL hat keinen Ansatz für unbeobachtete Werte in den Daten. Es wird gezeigt, dass die Inputelemente und Booleschen Regeln für Elemente lernbar sind, deren Anzahl an Inputelementen kleiner oder gleich der manipulierbaren Gene ist. Durch Rauschen in den Daten ist es jedoch unmöglich deterministische Beziehungen korrekt zu charakterisieren. Deshalb wird angestrebt, aus den künstlichen Expressionsdaten ein Dynamisch Bayessches Netz zu lernen. Es modelliert die verbleibende Unsicherheit über die Abhängigkeiten in dem genetischen Netzwerk. Eine Analyse des Verfahrens Strukturelle Erwartungswert Maximierung (SEM) ergab, dass die fehlenden Beobachtungen umgangen werden müssen. Eine getrennte Auswertung der Experimente, die sich in den manipulierten Genen unterscheiden, ist ein Weg ein gutes Modell zu lernen, wenn mindestens zwei Gene gleichzeitig manipulierbar sind. Kann die Expressionsstärke nur von einem Gen festgelegt werden, sind mit dieser Strategie die regulierenden Gene identifizierbar, die unabhängig von den anderen regulierenden Genen den Expressionszustand des Zielgens wesentlich bestimmen. Qualitatives Vorwissen über das interessierende genetische Netzwerk kann eine umfangreiche Verringerung des notwendigen Stichprobenumfangs herbeiführen.

Die vorliegende Arbeit beschäftigt sich mit einer speziellen Technik zur Wahrung von Anonymität in Rechnernetzen den sogenannten 'Dining Cryptographers Networks' (DC-Netze). Diese Netze haben im Vergleich zu anderen anonymisierenden Mechanismen die besondere Eigenschaft, daß ihre Sicherheit kompexitätstheoretisch mit nur wenigen Annahmen bewiesen werden kann. Neben der Betrachtung der Algorithmen und Protokolle wird gleichzeitig eine freie prototypische Implementierung mit Namen 'GnuDCN' bereitgestellt, um die praktische Relevanz solcher DC-Netze zu klären. Das System ist trotz seines enormen Kommunikationsaufwands in sensiblen Umgebungen mit kleinem Teilnehmerkreis durchaus einsetzbar. / The available work concerns itself with a special technology for the keeping of anonymity in computer networks the so-called 'Dining Cryptographers Networks' (DC nets). These nets have the special characteristic compared with other anonymizating mechanisms that their security can be proven with only few assumptions. Apart from the view of the algorithms and protocols a free prototypic implementation with name 'GnuDCN' is made available at the same time, in order to clarify the practical relevance of such DC nets. The system is quite applicable despite its enormous communication expenditure in sensitive environments with small participant circle.

Probleme bei der Bereitstellung eines Browsing Dienstes via Samba in (fremdadministrierten) heterogenen Netzen. Lösungen und Konfigurationsmöglichkeiten werden behandelt.

Gemeinsamer Workshop von Universitaetsrechenzentrum und Professur Rechnernetze und verteilte Systeme der Fakultaet fuer Informatik der TU Chemnitz. Der Vortrag bietet eine kurze Einführung in die Welt der Ad-Hoc-Netzwerke.

Rotorschleuderbrecher werden zur Herstellung von Natursteinprodukten eingesetzt. Dabei beeinflussen die konstruktiven, betrieblichen und aufgabebezogenen Größen die Produktqualität entscheidend. Die komplexen Zusammenhänge zwischen den am Zerkleinerungsprozess beteiligten Haupteinflussgrößen und den anwenderspezifischen Qualitätsanforderungen wurden mit Hilfe analytischer und mathematisch-statistischer Methoden untersucht. Die Analyse der physikalischen Abläufe im Brecher ermöglichte ein tieferes Verständnis der Funktionsweise der Maschine. Unterstützt durch experimentelle Untersuchungen an einem Rotorschleuderbrecher wurden die Abhängigkeiten zwischen Einfluss- und Zielgrößen mit Hilfe der Methode der neuronalen Netze modelliert. Die Simulationsmodelle ermöglichen die Vorhersage der Produktqualität, die Optimierung der Parametereinstellung, die Beschreibung des Wirkungszusammenhanges und die Identifizierung der dominanten Parameter von Rotorschleuderbrechern.