Einverständniserklärung zu Cookies, Daten- und Trackinginformationen Wir verwenden Cookies, um Inhalte und Anzeigen zu personalisieren. Beim Besuch dieser Webseite werden Informationen gespeichert. Bei der Darstellung von Produkten werden Bilder von an anderen Webseiten geladen. Um das zu ermöglichen, ist es nötig, dass ihr Browser Verbindungen zu anderen Servern aufbaut und dorthin Daten überträgt. Die Verarbeitung der an Kostenscout.de gesendeten Daten erfolgt zur Leistungserbringung, zu statistischen sowie werbetechnischen Zwecken. Wenn Sie auf der Seite weitersurfen, stimmen Sie der Cookie-Nutzung und Datenverarbeitung zu. Datenschutzinformationen ansehen
Untersuchungen zur Leistungsfähigkeit eines Multi-Sensor-Arrays zur Detektion von Brandereignissen
Diplomarbeit aus dem Jahr 1998 im Fachbereich Elektrotechnik, Note: 1,3, Hochschule Wismar (Unbekannt), Sprache: Deutsch, Abstract: Inhaltsangabe:Einleitung: Diese Diplomarbeit entstand durch Zusammenarbeit der Fachhochschule Wismar, Fachbereich Elektrotechnik und Informatik und der RST-DASA-GmbH. Bei der RST-DASA-GmbH sind diese Entwicklungsarbeiten notwendig für die Weiterentwicklung des Intelligenten Brand- und Gefahrstoffsensor. Durch ein MOS-Multisensorarray wird die Umgebungsluft überwacht. Das jeweils entnommene Muster präsentiert sich einem Neuronalem Netz. Ein Neuronales Netz in Verbindung mit eingebauten menschlichen Erfahrungen (zur Erkennung von Störungen) entscheidet über Brand oder Nichtbrand. Dieses Funktionsprinzip der Meßwertaufnahme ist allgemein bekannt als das der Künstlichen Nase (siehe Abbildung 1-1). Sie sind entwickelt worden zur automatischen Detektion von Gerüchen und Gasen. Siehe auch Kapitel 1.4. Abstract The thesis are a corporate work of Fachhochschule Wismar and RST-DASA-GmbH. The subject of this paper is necessary to complete the development of Smart Sensors for fire-detection. The following things are ready at the beginning: A tin-oxide sensor array and the classification with an Artificial Neural Network. This solution is the state-of-the-art for an Electronic Nose. Electronic Noses (figure 1-1) are being developed as systems for the automated detection and classification of odours, vapours and gases. An Electronic Nose is generally composed of a chemical sensing system (e.g. sensor array) and a pattern recognition system (e.g. Artificial Neural Network). An Artificial Neural Network is an information processing paradigm that was inspired by the way biological nervous systems, such as the brain, process information. Their most important advantage is in solving problems that are too complex for conventional technologies; problems that do not have an algorithmic solution or for which an algorithmic solution is too complex to be found. Artificial neural network are well suited to problems that people are good at solving but computers are not (e.g. pattern recognition). Inhaltsverzeichnis:Inhaltsverzeichnis: 1.Einleitung1 1.1Gegenwärtiger Stand der Branderkennung1 1.2Analogien künstliche Nase - biologische Nase2 1.3Zielstellung der Entwicklungsarbeiten bei RST-Rostock3 1.4Inhalt der Aufgabe4 2.Beschreibung des verwendeten Hardware5 2.1Arbeitsweise und Struktur von MOS-Sensoren5 2.2Aufbau des Sensorarrays7 2.3Der µC und die Firmware8 3.Das Datenmaterial9 3.1Die Gewinnung des Datenmaterials9 3.2Kennlinie von MOS-Sensoren10 3.2.1Normierung der Meßwerte12 3.2.2Klassifikation und Hauptkomponentenanalyse13 3.3Darstellung der Meßwerte22 4.Grundlagen Künstlicher Neuronaler Netze23 4.1Aufbau eines künstlichen Neuronalen Netze23 4.2Bestandteile Neuronaler Netze24 4.3Einsatzmöglichkeiten für Neuronale Netze27 4.4Vor- und Nachteile von Neuronalen Netzen27 4.5Typische Aktivierungsfunktionen28 4.6Typische Lernregeln29 4.7Optimierungsmöglichkeiten Neuronaler Netze34 5.Beschreibung der zur Verfügung stehenden Netzsimulatoren35 5.1DataEngine35 5.2MATLAB36 5.3SNNS38 5.4Schlußfolgerungen42 6.Statistische Beschreibung der Datensätze44 6.1Der Lerndatensatz44 6.2Die Hauptkomponentenanalyse des Lerndatensatzes45 6.3Statistische Beschreibung des Lerndatensatzes45 6.4Die Testdatensätze46 7.Simulationen mit SNNS47 7.1Voruntersuchungen hinsichtlich Aktivierungsfunktion und Parameter47 7.2Begriffsdefinitionen49 7.3Lernverfahren Standard Backpropagation50 7.4Lernverfahren Backpercolation51 7.5Lernverfahren Cascade Correlation53 7.6Lernverfahren Counterpropagation57 7.7Lernverfahren Pruning Feed...
Die bei uns gelisteten Preise basieren auf Angaben der gelisteten Händler zum Zeitpunkt unserer Datenabfrage. Diese erfolgt einmal täglich. Von diesem Zeitpunkt bis jetzt können sich die Preise bei den einzelnen Händlern jedoch geändert haben. Bitte prüfen sie auf der Zielseite die endgültigen Preise.
Die Sortierung auf unserer Seite erfolgt nach dem besten Preis oder nach bester Relevanz für Suchbegriffe (je nach Auswahl).
Für manche Artikel bekommen wir beim Kauf über die verlinkte Seite eine Provision gezahlt. Ob es eine Provision gibt und wie hoch diese ausfällt, hat keinen Einfluß auf die Suchergebnisse oder deren Sortierung.
Unser Preisvergleich listet nicht alle Onlineshops. Möglicherweise gibt es auf anderen bei uns nicht gelisteten Shops günstigere Preise oder eine andere Auswahl an Angeboten.
Versandkosten sind in den angezeigten Preisen und der Sortierung nicht inkludiert.
* - Angaben ohne Gewähr. Preise und Versandkosten können sich zwischenzeitlich geändert haben. Bitte prüfen sie vor dem Kauf auf der jeweiligen Seite, ob die Preise sowie Versandkosten noch aktuell sind.
