Kap. 1: Einführung, Grundlagen der Signalverarbeitung, Zielsetzung (als ppsx)

Kap. 2.1: Beispielprojekt Lösungsmittelerkennung (als ppsx)

Kap. 2.2: Update 2021: VOC-Quantifizierung für IAQ (als ppsx)

Weiterführende Literatur:
- A. Gramm, A. Schütze: High Performance Solvent Vapor Identification with a Two Sensor Array using Temperature Cycling and Pattern Classification, Sensors & Actuators B 95 (2003)
- A. Schütze, A. Gramm, T. Rühl: Identification of Organic Solvents by a Virtual Multisensor System with Hierarchical Classification, IEEE Sensors Journal 4(6) (2004)
- P. Reimann, A. Schütze: Sensor Arrays, Virtual Multisensors, Data Fusion, and Gas Sensor Data Evaluation; in: C.-D. Kohl, T. Wagner (eds.): Gas Sensing Fundamentals, Springer Series on Chemical Sensors and Biosensors, Volume 15 2014

Kap. 2.3: Beispielprojekt iCM-Hydraulik (als ppsx)

Weiterführende Literatur:
- A. Schütze, N. Helwig: Sensorik und Messtechnik für die Industrie 4.0; tm - Technisches Messen, 84(3), 198-206, 2017.
- A. Schütze, N. Helwig, T. Schneider: Sensors 4.0 – smart sensors and measurement technology enable Industry 4.0; J. Sens. Sens. Syst., 7, 359–371, 2018.

Kap. 3: Validierungsmethoden (als ppsx)

Weiterführende Literatur:
- S. Youssef et al.: Bewertung subjektiver und automatisierter Merkmalsextraktion periodischer Zeitsignale am Beispiel des 3MA-X8-Verfahrens, tm - Technisches Messen, 86 (5), 267-277, 2019.

Kap. 4: Automatisierte Merkmalsextraktion und -selektion (als ppsx)

Weiterführende Literatur:
- T. Schneider et al.: Industrial condition monitoring with smart sensors using automated feature extraction and selection, Meas. Sci. Technol. 29 (2018) 094002 (15pp).

Kap. 5: Lineare Multivariate Methoden (PCA, LDA) (als ppsx)

Weiterführende Literatur:
- Aleix M. Martinez, Avinash C. Kak: PCA versus LDA, IEEE Trans. Pattern Analysis and Machine Intelligence, 23(2) (2001), 228-233.

Vertretung T. Schneider

13.05.2023

Kap. 6: Suppport Vector Machine (SVM) (als ppsx)

Kap. 7.1-2: Künstliche Neuronale Netze: Grundlagen und Simulation (als ppsx)

Vertretung T. Schneider

27.05.2024

Fortsetzung Kap. 7.1-2

Kap. 7.3-4: Künstliche Neuronale Netze (als ppsx)
- Backpropagation Algorithmus
- Empirische Optimierungen des BackProp Algorithmus

Kap. 7.5-7: Künstliche Neuronale Netze (als ppsx)
- Cascade Correlaion: Automatische Optimierung der Netzstruktur
- Rekurrente Netzwerke
- Anwendungsbeispiel Branderkennung

Vertretung T. Schneider

10.06.2024

Kap. 7.8: Deep learning, convolutional networks etc. (als ppsx)

Weiterführende Literatur:
- Yann LeCun, Yoshua Bengio, and Geoffrey Hinton: "Deep learning," Nature 521.7553 (2015): 436-444
- Yannick Robin et al.: High-Performance VOC Quantification for IAQ Monitoring Using Advanced Sensor Systems and Deep Learning, Atmosphere (2021) 12(11), 1487, DOI 10.3390/atmos12111487
- Payman Goodarzi, Andreas Schütze, and Tizian Schneider: Comparison of different ML methods concerning prediction quality, domain adaptation and robustness (Vergleich verschiedener ML-Methoden bezüglich Vorhersagequalität, Domänenanpassung und Robustheit), tm - Technisches Messen, vol. 89(4), 224-239, doi: 10.1515/teme-2021-0129

Kap. 8: LVQ und SOM (als ppsx)

Kap. 9: Novelty detection
Teil 1: Grundlagen und Algorithmen (als ppsx)

Nur zum Selbststudium:
Teil 2: Applikationsszenarien CM
Teil 3: Anwendungsbeispiel Gasmesstechnik

Weiterführende Literatur:
- T. Schneider et al.: Machine learning in industrial measurement technology for detection of known and unknown faults of equipment and sensors, tm - Technisches Messen (2019), 86 (11), 706–718, doi: 10.1515/teme-2019-0086
- Y. Robin et al.: Machine Learning based calibration time reduction for Gas Sensors in Temperature Cycled Operation, Atmosphere 2022, 13, 1614. doi: 10.3390/atmos13101614

Kap. 10: Zusammenfassung und Ausblick (als ppsx)

Präsentation von Gruppe 1/2:

Präsentation von Gruppe 2/3