Andere Kunden interessierten sich auch für
![FORTSCHRITTLICHES SCHLAGANFALL-ERKENNUNGS- UND WARNSYSTEM MIT MASCHINELLEM LERNEN]( "FORTSCHRITTLICHES SCHLAGANFALL-ERKENNUNGS- UND WARNSYSTEM MIT MASCHINELLEM LERNEN")
FORTSCHRITTLICHES SCHLAGANFALL-ERKENNUNGS- UND WARNSYSTEM MIT MASCHINELLEM LERNEN43,90 €![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 €![Fehleridentifizierung in PV-Solarmodulen durch maschinelles Lernen]( "Fehleridentifizierung in PV-Solarmodulen durch maschinelles Lernen")
Fehleridentifizierung in PV-Solarmodulen durch maschinelles Lernen43,90 €![Programmieren von Robotern mit MATLAB lernen]( "Programmieren von Robotern mit MATLAB lernen")
Programmieren von Robotern mit MATLAB lernen54,90 €![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 €
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.