Andere Kunden interessierten sich auch für
![Interaktives Lernen in der Automatisierung und in industriellen Prozessen]( "Interaktives Lernen in der Automatisierung und in industriellen Prozessen")
Interaktives Lernen in der Automatisierung und in industriellen Prozessen39,90 €![Labview leicht lernen]( "Labview leicht lernen")
Labview leicht lernen35,90 €![Grundlagen des maschinellen Lernens für prädiktive Datenanalysen]( "Grundlagen des maschinellen Lernens für prädiktive Datenanalysen")
Grundlagen des maschinellen Lernens für prädiktive Datenanalysen84,90 €![Intelligente Bibliotheksstruktur mit IoT und ML]( "Intelligente Bibliotheksstruktur mit IoT und ML")
Intelligente Bibliotheksstruktur mit IoT und ML43,90 €![Fehleridentifizierung in PV-Solarmodulen durch maschinelles Lernen]( "Fehleridentifizierung in PV-Solarmodulen durch maschinelles Lernen")
Fehleridentifizierung in PV-Solarmodulen durch maschinelles Lernen43,90 €![Verbesserungen beim Laserschneiden mit Methoden des maschinellen Lernens]( "Verbesserungen beim Laserschneiden mit Methoden des maschinellen Lernens")
Verbesserungen beim Laserschneiden mit Methoden des maschinellen Lernens45,00 €![Forum Bildverarbeitung 2022]( "Forum Bildverarbeitung 2022")
Forum Bildverarbeitung 202246,00 €
Die in diesem Bericht vorgestellte Arbeit fällt in den Rahmen des maschinellen Lernens, bei dem wir versuchen, ein nichtlineares System zu modellieren und die Parameter des betrachteten Modells online zu identifizieren. Dieses Modell wird in einem reproduzierenden Kernel-Hilbert-Raum (RKHS) entwickelt. Diese sogenannten Repräsentations- oder Black-Box-Modelle sind hinsichtlich ihrer Parameter linear. Sie hatten großen Erfolg bei der Identifizierung nichtlinearer Systeme mithilfe von Kernel-Methoden.