- Titel
- Analyse des Ressourcenverbrauchs von Deep Learning Methoden zur Einschlagslokalisierung auf eingebetteten Systemen
- Zitierfähige Url:
- https://nbn-resolving.org/urn:nbn:de:bsz:ch1-qucosa2-840097
- Schriftenreihe
- Chemnitzer Informatik-Berichte
- Bandnummer
- CSR-23-01
- Datum der Einreichung
- 25.08.2022
- ISSN
- 0947-5125
- Abstract (DE)
- Die Lokalisation von Einschlägen auf multifunktionalen Verbundwerkstoffen stellt eine neue Möglichkeit dar, leichte Bauteile mit Eingabefunktionen auszustatten. Das Bundesexzellenzcluster MERGE entwickelte dazu eine Mittelkonsole, welche durch den Einsatz von piezoelektrischen Sensoren in der Lage ist, Einschläge zu erkennen. Damit diese Einschläge korrekt lokalisiert werden können, kommt es zum Einsatz von Techniken des Deep Learnings. Um den Ressourcenverbrauch für die Berechnungen dieser Netze auf einem eingebetteten System analysieren zu können, werden unterschiedlich komplexe FFNN und CNN Netze evaluiert. Anhand der Ergebnisse wird deutlich, dass auch Netze mit geringer Komplexität in der Lage sind, hohe Genauigkeiten zu erzielen und dabei einen geringen Ressourcenverbrauch haben.
- Andere Ausgabe
- Link: https://www.tu-chemnitz.de/informatik/service/ib/
- Freie Schlagwörter (DE)
- Deep Learning, piezoelektrische Sensoren, Einschlagslokalisierung, MERGE, Verbundwerkstoffe
- Klassifikation (DDC)
- 000
- Normschlagwörter (GND)
- Deep Learning, Verbundwerkstoff, Lokalisation
- BetreuerIn Hochschule / Universität
- Prof. Dr. Dr. h. c. Wolfram Hardt
- Dipl.-Inf. René Schmidt
- Den akademischen Grad verleihende / prüfende Institution
- Technische Universität Chemnitz, Chemnitz
- Version / Begutachtungsstatus
- publizierte Version / Verlagsversion
- URN Qucosa
- urn:nbn:de:bsz:ch1-qucosa2-840097
- Veröffentlichungsdatum Qucosa
- 08.03.2023
- Dokumenttyp
- Bachelorarbeit
- Sprache des Dokumentes
- Deutsch
- Lizenz / Rechtehinweis
