German

Automatische Erkennung von Zuständen in by Jörg Moldenhauer

By Jörg Moldenhauer

In dieser Arbeit werden adaptive Methoden zur examine von Anthropomatikdaten entwickelt. Zielsetzung ist die automatische Erkennung von Systemzuständen mit Hidden-Markov-Modellen. Anwendungsbeispiele sind Bohrgeräusche aus der Wirbelsäulenchirurgie, medizinische Ultraschallbilder und menschliche Bewegungsdaten. Neben dem Vergleich mit anderen Klassifikationsverfahren werden Merkmalsgenerierung, geeignete Modellstrukturen, Optimierung der Zustände und Aspekte der Implementierung besprochen.

Show description

Read Online or Download Automatische Erkennung von Zuständen in Anthropomatiksystemen German PDF

Similar german books

Der Coaching-Prozess. Der Weg zu Qualitat: Leitfragen und Methoden

Kein anderes Buch definiert die Rolle des Coachs so klar. Auf dieser foundation lassen sich Coaching-Ziele beurteilen und notwendige Kompetenzen fur Coaching-Masnahmen ermitteln. Und mit den beschriebenen Leitfragen und Methoden kann jeder trainer seine Arbeit systematisch optimieren.

Extra info for Automatische Erkennung von Zuständen in Anthropomatiksystemen German

Example text

Diese liegt aber immer noch deutlich unter denen der NNs und SVMs im vorigen Abschnitt. Um dieses Phänomen zu klären, werden die Beobachtungswahrscheinlichkeiten Pλ (O) betrachtet, die mit dem Vorwärts-Algorithmus für einzelne Modelle berechnet werden. 12 zeigt zu dem ausgewählten Datensatz die logarithmischen Wahrscheinlichkeiten Pλ4,5,6 und Pλ8 der Modelle für das Bohren im Knochen und für die Perforation des Spinalkanals. Die Wahrscheinlichkeiten liegen dicht beieinander. Da jedoch nur zwei Modelle betrachtet werden, können die zwei für den Chirurgen entscheidenden Klassen von Bohrgeräuschen dennoch deutlich unterschieden werden.

9, ν|fˆw (t, ν)|2 dν |fˆw (t, ν)|2 dν (ν − ν¯(t))2 |fˆw (t, ν)|2 dν . 58) Bei den restlichen Merkmalen handelt es sich um die ersten drei Koeffizienten aus dem so genannten Cepstrogramm, das die inverse Fourier-Transformierte der logarithmierten Spektrogramm-Funktion darstellt: 1 ˆ fˆw (t, τ ) = 2 log |fˆw (t, ν)|2 e2πιντ dν. 4 Analyse von Bohrgeräuschen 27 Die Cepstral-Koeffizienten werden wie die anderen Merkmale häufig als Standardmerkmale in der Audiodatenverarbeitung genutzt. Sie zeichnen sich insbesondere dadurch aus, dass sie die nichtlinearen Eigenschaften des menschlichen Gehörs widerspiegeln.

OT . Dieser wesentliche Unterschied soll im Folgenden genauer untersucht werden. Um einen Vergleich mit den Klassifikationsergebnissen im vorigen Abschnitt zu ermöglichen, werden dazu kontinuierliche HMMs eingesetzt, deren Beobachtungen O aus einem Zeitfenster sind, das über die generierten Sequenzen aus Bohrgeräuschmerkmalen geschoben wird. Die versteckten Zustände der HMMs repräsentieren den eigentlichen Bohrvorgang als stochastischen Prozess. Die Implementierung basiert auf der BNT Matlab-Toolbox [112].

Download PDF sample

Rated 4.91 of 5 – based on 16 votes