Fraunhofer-Institut für Keramische Technologien und Systeme IKTS
Glossar
| Deep Learning | ▶ Maschinenlernverfahren für tiefe neuronale Netze |
| Deep Neural Network (DNN) | ▶ Künstliches neuronales Netz mit vielen versteckten Schichten ▶ Mustererkenner für ▶ Merkmalvektor(folg)en |
| EM-Algorithmus | ▶ Maschinenlernverfahren für ▶ Gaussian-Mixture-Modelle und ▶ Hidden-Markov-Modelle |
| Folgenklassifikator | ▶ Mustererkenner für eine Folge von ▶ Merkmalvektoren |
| Gaussian-Mixture-Modell (GMM) | Statistisches ▶ Modell zur ▶ Mustererkennung in ▶ Merkmalvektoren basierend auf Gaußschen Mischverteilungsdichten |
| Hidden-Markov-Modell (HMM) | Statistisches ▶ Modell zur ▶ Mustererkennung in ▶ Merkmalvektorfolgen basierend auf einem Markov-Prozess, z. B. GMM-HMM, DNN-HMM |
| Klassifikationsverfahren | Siehe ▶ Mustererkennung |
| Maschinenlernen | Automatische Verfahren zur Bildung von ▶ Modellen für ▶ Mustererkennung und Entscheidungsprozesse |
| Modell | Hier: rechentechnische Repräsentation von Wissen |
| Merkmalanalyse | Verfahren zur Berechnung von ▶ Merkmalvektor(folg)en aus Messsignalen |
| Merkmalvektor(folge) | Satz von ▶ klassifikationsrelevanten numerischen Parametern, ggf. als zeitliche Folge |
| Mustererkennung | Verfahren zur Unterscheidung in vorgegebenen Klassen, z. B. basierend auf ▶ DNN, ▶ GMM, ▶ HMM, ▶ SVM |
| Primäranalyse | Erster Schritt der ▶ Merkmalanalyse (Signalverarbeitung, z. B. Filterbänke, FFT, STFT, DWT, Cepstrum, LPC, Wigner-Ville-Verteilung etc.) |
| Sekundäranalyse | Zweiter Schritt der ▶ Merkmalanalyse (Statistik, Datenkompression, z. B. Quantile, Momente, Differenzen, Filterung, PCA, LDA, ICA, JFA etc.) |
| Semantikverarbeitung | Rechentechnische Verarbeitung von Bedeutung (z. B. von Messsignalen) |
| Signalanalyse | Siehe ▶ Primäranalyse |
| Supportvektormaschine (SVM) | ▶ Mustererkenner für ▶ Merkmalvektoren |
| Trainingsverfahren | Siehe ▶ Maschinenlernen |
| Vektorklassifikator | ▶ Mustererkenner für einen ▶ Merkmalvektor |