Spelling suggestions: "subject:"automatische fahrtzielführung̈trung̈trunk̈trunk̈truck̈trunk̈trunk̈truck̈truck̈trunk̈trunk̈trunk̈truck̈trunk̈truck̈trunk̈truck̈trunk̈trunk̈truck̈truck̈trunk̈trunk̈trunk̈trunk̈trunk̈trunk̈trunk̈trunk̈trunk̈truck̈truck̈trunk̈truck̈truck̈trunk̈trunk̈truck̈trunk̈trunk̈trunk̈fruit"" "subject:"automatische fahrtzielführung̈trung̈truck̈trunk̈truck̈trunk̈trunk̈truck̈truck̈trunk̈trunk̈trunk̈truck̈trunk̈truck̈trunk̈truck̈trunk̈trunk̈truck̈truck̈trunk̈trunk̈trunk̈trunk̈trunk̈trunk̈trunk̈trunk̈trunk̈truck̈truck̈trunk̈truck̈truck̈trunk̈trunk̈truck̈trunk̈trunk̈trunk̈fruit""
101 |
Autonomous dynamic reconfiguration in collaborative problem solvingHannebauer, Markus. Unknown Date (has links) (PDF)
Techn. University, Diss., 2001--Berlin.
|
102 |
Normalization in the acoustic feature space for improved speech recognitionMolau, Sirko. Unknown Date (has links) (PDF)
Techn. Hochsch., Diss., 2003--Aachen.
|
103 |
Datenstrukturen und Algorithmen zur verallgemeinerten Konstellationssuche auf der Basis von ObjektrelationenMeyer, Dirk. Unknown Date (has links) (PDF)
Universiẗat, Diss., 2002--Bonn.
|
104 |
Stepwise evolutionary training strategies for hardware neural networksHohmann, Steffen Gunther. Unknown Date (has links) (PDF)
University, Diss., 2005--Heidelberg.
|
105 |
Spamerkennung mit Support Vector MachinesMöller, Manuel 22 June 2005 (has links) (PDF)
Diese Arbeit zeigt ausgehend von einer Darstellung der theoretischen Grundlagen automatischer Textklassifikation, dass die aus der Statistical Learning Theory stammenden Support Vector Machines geeignet sind, zu einer präziseren Erkennung unerwünschter E-Mail-Werbung beizutragen. In einer Testumgebung mit einem Corpus von 20 000 E-Mails wurden Testläufe verschiedene Parameter der Vorverarbeitung und der Support Vector Machine automatisch evaluiert und grafisch visualisiert. Aufbauend darauf wird eine Erweiterung für die Open-Source-Software SpamAssassin beschrieben, die die vorhandenen Klassifikationsmechanismen um eine Klassifikation per Support Vector Machine erweitert.
|
106 |
Spamerkennung mit Support Vector MachinesMöller, Manuel 22 June 2005 (has links)
Diese Arbeit zeigt ausgehend von einer Darstellung der theoretischen Grundlagen automatischer Textklassifikation, dass die aus der Statistical Learning Theory stammenden Support Vector Machines geeignet sind, zu einer präziseren Erkennung unerwünschter E-Mail-Werbung beizutragen. In einer Testumgebung mit einem Corpus von 20 000 E-Mails wurden Testläufe verschiedene Parameter der Vorverarbeitung und der Support Vector Machine automatisch evaluiert und grafisch visualisiert. Aufbauend darauf wird eine Erweiterung für die Open-Source-Software SpamAssassin beschrieben, die die vorhandenen Klassifikationsmechanismen um eine Klassifikation per Support Vector Machine erweitert.
|
107 |
Evaluierung verschiedener Ansätze zur Indexierung im inhaltsbasierten Image RetrievalDaßler, Stefanie 10 February 2008 (has links)
In dieser Arbeit werden drei verschiedene Ansätze zur Indexierung beim inhaltsbasierten
Image Retrieval evaluiert werden. Als Basis werden dafür Farben und Formen mit Hilfe
von annularen Histogrammen extrahiert. Eine Ähnlichkeitsmetrik für diese Histogramme
wird über das Produkt der Eulerschen Distanz und der Histogramm Distanz gebildet, der
sogenannten Distanzmetrik.
Unter Verwendung dieser Metrik werden folgende drei Verfahren der inhaltsbasierten N-Nearest-
Neighbor Suche nach Bildern in dieser Arbeit vorgestellt:
1. Einfache, sequentielle Suche in den Histogrammen der Bilder
2. Verwendung des Evolving Tree, einer Art SOM, als Indexstruktur
3. Nutzung des Vantage Point Trees als Indexstruktur
Abschließend sollen die drei beschriebenen Verfahren miteinander verglichen und ausgewertet
werden. Im Hinblick auf das inhaltsbasierte Image Retrieval zeigen sich die Vorteile
und Nachteile der Anwendung dieser Verfahren.
|
108 |
Digitalization and Big Data from the John Deere PerspectiveEngel, Thomas 15 November 2016 (has links) (PDF)
No description available.
|
109 |
Massenspektrometrische Differenzierung bakterieller Infektionserreger mit dem Vitek MS-Routinetest-System (IVD) / Mass spectrimetric identification of bacteria by Vitek MS Routine lab System (IVD)Menzer, Alexander January 2017 (has links) (PDF)
Untersucht wurde die Performance des Vitek MS-Systems anhand eines Keimspektrums von 1357 Isolaten im Zeitraum von Oktober 2011 bis April 2014. Das untersuchte Kollektiv bestand aus Isolaten der mikrobiologischen Routinediagnostik (n=1173), aus Stammsammlungen des Nationalen Referenzzentrum für Meningokokken und Haemophilus influenzae (n=128), sowie offizieller Stammsammlungen wie ATCC, DSMZ, LSM und anderen (n=56).
Die Ergebnisse wurden entweder mit einer bereits vorhandenen Stammbezeichnung oder durch eine bzw. Kombinationen mehrerer molekularbiologischer (PCR der Teilabschnitte von Haushaltsgenen: 16S-rRNA-Untereinheit, sodA, recA) oder biochemischen Differenzierungsmethoden (Vitek 2, API-Systeme) verglichen.
Mangels Referenzergebnisses wurden 25 Isolate (etwa 1,8%) aus der weiteren Betrachtung ausgeschlossen. Die verbliebenen 1332 Isolate wurden in 28 Bakterienordnungen, 109 Genera und 269 Spezies unterteilt.
Auf Speziesebene konnten 1180 (etwa 88,6%) zum Vergleich herangezogen werden, da durch die Referenzmethoden nicht immer eine zuverlässige Speziesdifferenzierung gelang.
Diese Referenzergebnisse wurden mit den Ergebnissen des Vitek MS-Systems verglichen. Eine Übereinstimmung zeigte sich auf Genusebene bei 86% (1157 von 1332 Isolaten) und auf Speziesebene bei 80% (944 von 1180 speziesdifferenzierten Keimen) der ausgewählten Stämme.
Im Vergleich der Korrelationen der Vitek MS-Identifikationen und den Referenzergebnissen zeigte sich eine durchgehend gute Korrelation innerhalb der unterteilten Bakterienordnungen. Davon abweichend war die Speziesdifferenzierung von Keimen der Ordnung Enterobacteriales. Die beste Korrelation erreichte die Ordnung Clostridiales.
Stämme ohne entsprechendes, dokumentiertes Korrelat in der Vitek MS-Datenbank (n=62) wurden ebenfalls in die Betrachtung mit eingeschlossen. Bei 31 Isolaten konnte kein Ergebnis ermittelt werden, 21 wurden massenspektrometrisch dem gleichen Genus zugeordnet, 10 Genusdifferenzierungen wichen ab.
315 Stämme wurden sowohl im Standardverfahren durch Konjugation von 1µl Ready-to-use Matrix als auch mit einem zweistufigen Säureextraktions- und Matrixkonjugationsverfahren gemessen und mit der solitären Konjugation der doppelten Matrixmenge verglichen. Die Abweichungen auf Genus- wie Speziesebene zwischen dem angewandten Standardprotokoll und den beiden anderen Verfahren waren deutlich signifikant. Im Vergleich der zweifachen Matrixmenge und dem zweistufigen Verfahren zeigte sich kein signifikanter Unterschied.
Aufgrund der Ergebnisse scheint jedoch die Säureextraktion Gram-positiver Kokken in der Genusdifferenzierung von Vorteil zu sein, sie erreichte jedoch kein ausreichendes Signifikanzniveau. Die Daten sprechen eher dafür, eine Optimierung des Probe-Matrix-Verhältnisses anzustreben, zum Beispiel im Rahmen eines ausgedehnten Anwendertrainings. / Mass spectrimetric identification of bacteria by Vitek MS Routine lab System (IVD)
|
110 |
Data mining auf multidimensionalen und komplexen Daten in der industriellen BildverarbeitungHader, Sören January 2006 (has links)
Zugl.: Heidelberg, Univ., Diss., 2006
|
Page generated in 0.529 seconds