Andere Kunden interessierten sich auch für
![Konvolutionäre neuronale Netze in der industriellen Bildverarbeitung und Robotik]( "Konvolutionäre neuronale Netze in der industriellen Bildverarbeitung und Robotik")
Konvolutionäre neuronale Netze in der industriellen Bildverarbeitung und Robotik43,00 €![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 €![Nutzung der keramischen Glühkerze als Sensorelement]( "Nutzung der keramischen Glühkerze als Sensorelement")
Nutzung der keramischen Glühkerze als Sensorelement54,00 €![Die Rolle von 5G-Netzen in der drahtlosen Kommunikation]( "Die Rolle von 5G-Netzen in der drahtlosen Kommunikation")
Die Rolle von 5G-Netzen in der drahtlosen Kommunikation43,90 €![Bandbreitenmanagement für Multicast-Verkehr in ATM-Netzen]( "Bandbreitenmanagement für Multicast-Verkehr in ATM-Netzen")
Bandbreitenmanagement für Multicast-Verkehr in ATM-Netzen43,90 €![Light Field Imaging for Deflectometry]( "Light Field Imaging for Deflectometry")
Light Field Imaging for Deflectometry46,00 €![Erkennung von handgeschriebenen Devanagari-Ziffern mithilfe eines neuronalen Netzwerks]( "Erkennung von handgeschriebenen Devanagari-Ziffern mithilfe eines neuronalen Netzwerks")
Erkennung von handgeschriebenen Devanagari-Ziffern mithilfe eines neuronalen Netzwerks49,90 €
In dieser Arbeit wird untersucht, wie überwacht trainierte künstliche neuronale Netze für die spektrale Entmischung eingesetzt werden können. Dazu wird zunächst eine geeignete Netzarchitektur ermittelt. Im weiteren Verlauf liegt der Schwerpunkt auf der Erzeugung geeigneter Trainingsdaten. Es werden modellbasierte Verfahren, die Trainingsdaten aus echten Reinspektren erzeugen, und datenbasierte Verfahren, die bereits vorhandene Trainingsdaten erweitern, vorgestellt und evaluiert. In this work, artificial neural networks trained in a supervised manner for spectral unmixing are investigated. For this purpose, a suitable network architecture is determined first. After that, the focus lies on the generation of suitable training data. Model-based methods that generate training data from real pure spectra and data-based methods that augment existing training data are presented and evaluated.