Datenpunkt. Durch einen Gesamtschwellwert wird festgelegt, ob diese Gesamtdif-ferenz als Abweichung/ Fehler gewertet wird oder nicht.
• 2. Möglichkeit:
Einzelschwellwert: Berechnung der Differenzen der Zuordnung jedes Clusters pro Datenpunkt. Durch einem Schwellwert für jedes Cluster wird festgelegt, ob die Dif-ferenz als Abweichung/ Fehler gewertet wird oder nicht.
• 3. Möglichkeit:
Kombination beider Methoden: Berechnung der Differenzen der Zuordnung je-des Clusters pro Datenpunkt. Die Nutzung eines Einzelschwellwerts detektiert rela-tiv große Differenzen innerhalb einer Clusterzuordnung. Überschreiten zwei Clus-ter diesen Schwellwert, wird dieser Datenpunkt als „Abweichung“ zwischen origi-nalem und resultierenden Modell gezählt. Die Nutzung eines Gesamtschwellwerts detektiert, ob sich die generelle Lage eines Datenpunkts hinsichtlich der Cluster-schwerpunkte stark verändert.
Die Ergebnisse aller aufgezählten Möglichkeiten hängen natürlich von den genutzten Schwellwerten ab. Dieser ist je nach der Sicherheitsrelevanz der Auswirkung der Verände-rung der Zuordnungshöhe zu bestimmen. Der zusätzliche Vergleich der funktionalen An-forderungen für jeden Testfall bei Vorliegen mehrerer Ausgangsgrößen wird in Anhang C gezeigt. Prinzipiell ist daher die Anwendbarkeit des vierten Schrittes auch bei Vorliegen mehrerer Ausgangsgrößen gegeben.
Literaturverzeichnis
Akarachai, A.; Daricha, S.: Avoiding Local Minima (2007)
Akarachai, Atakulreka; Daricha, Sutivong: Avoiding Local Minima in Feedforward Neural Networks by Simultaneous Learning, in: Orgun, Mehmet A.; Thornton, John (Hrsg.): AI 2007, Advances in Artificial Intelligence, Springer, Berlin, Heidelberg, 2007
Alpaydin, E.: Introduction to machine learning (2004)
Alpaydin, Ethem: Introduction to machine learning, MIT Press, Cambridge, Mass., 2004 Arroyo, R. et al.: Fusion and binarization of CNN features (2016)
Arroyo, Roberto; Alcantarilla, Pablo F.; Bergasa, Luis M.; Romera, Eduardo: Fusion and binarization of CNN features for robust topological localization across seasons, in: IROS 2016, IEEE, 2016
Arthur, D.; Vassilvitskii, S.: k-means++: the advantages of careful seeding (2007) Arthur, David; Vassilvitskii, Sergej: k-means++: the advantages of careful seeding, in:
Society for Industrial and Applied Mathematics Philadelphia (Hrsg.): Proceedings of the eighteenth annual ACM-SIAM symposium on Discrete algorithms, Society for Industrial and Applied Mathematics, Philadelphia, PA, 2007
Awad, M.; Khanna, R.: Efficient Learning Machines (2015)
Awad, Mariette; Khanna, Rahul: Efficient Learning Machines, Imprint: Apress, Berkeley, CA, 2015
Backhaus, K. et al.: Neuronale Netze (2018)
Backhaus, Klaus; Erichson, Bernd; Plinke, Wulff; Weiber, Rolf: Neuronale Netze, in:
Backhaus, Klaus et al. (Hrsg.): Multivariate Analysemethoden, Springer Berlin Heidelberg, Berlin, Heidelberg, 2018
Balzert, H.: Lehrbuch der Softwaretechnik (1998)
Balzert, Helmut: Lehrbuch der Softwaretechnik, 2. Auflage, 1998 Balzert, H.: Nichtfunktionale Anforderungen (2011)
Balzert, Helmut: Nichtfunktionale Anforderungen, in: Balzert, Helmut *1. (Hrsg.): Lehr-buch der Softwaretechnik: Entwurf, Implementierung, Installation und Betrieb, Spektrum, Heidelberg [u.a.], 2011
Batch learning (2017) Batch learning, in: Sammut, Claude; Webb, Geoffrey I. (Hrsg.):
Encyclopedia of Machine Learning and Data Mining, Springer US, Boston, MA, 2017 Batista, J. P.: A Real-Time Driver Visual Attention Monitoring System (2005) Batista, Jorge P.: A Real-Time Driver Visual Attention Monitoring System, in: Marques, Jorge S.; La Pérez de Blanca, Nicolás; Pina, Pedro (Hrsg.): Pattern Recognition and Image
Analysis, Lecture Notes in Computer Science, Springer Berlin Heidelberg, Berlin, Heidel-berg, 2005
Behera, R.; Das, K.: A Survey on Machine Learning (2017)
Behera, Rabi; Das, Kajaree: A Survey on Machine Learning, in: International Journal of Innovative Research in Computer and Communication Engineering, Jahrgang 2, 2017 Berg, G. et al.: Vehicle in the Loop (2016)
Berg, Guy; Nitsch, Verena; Färber, Berthold: Vehicle in the Loop, in: Winner, Hermann et al. (Hrsg.): Handbook of Driver Assistance Systems: Basic Information, Components and Systems for Active Safety and Comfort, Springer International Publishing, Cham, 2016 Bergadano, F.: The Problem of Induction and Machine Learning (1991)
Bergadano, Ferdinand: The Problem of Induction and Machine Learning, in: Kaufman, Morgan (Hrsg.): IJCAI '91, San Francisco, 1991
Bishop, C. M.: Pattern recognition and machine learning (2006)
Bishop, Christopher M.: Pattern recognition and machine learning, Information science and statistics, Springer, New York, NY, 2006
Bojarski, M. et al.: End to end learning for self-driving cars (2016)
Bojarski, Mariusz; Del Testa, Davide; Dworakowski, Daniel; Firner, Bernhard; Flepp, Beat; Goyal, Prasoon; Jackel, Lawrence D.; Monfort, Mathew; Muller, Urs; Zhang, Jiakai;
others: End to end learning for self-driving cars, in: arXiv preprint arXiv:1604.07316, 2016 Bossdorf-Zimmer, J. et al.: Fingerprint des Fahrers (2011)
Bossdorf-Zimmer, Janine; Kollmer, Hermann; Henze, Roman; Küçükay, Ferit: Fingerprint des Fahrers zur Adaption von Assistenzsystemen, in: ATZ-Automobiltechnische Zeit-schrift (3), Jahrgang 113, S. 226–231, 2011
Bouzouraa, M. E.: Verfahren zum Betreiben einer Mensch-Maschine-Schnittstelle (2014)
Bouzouraa, Mohamed E.: Verfahren zum Betreiben einer Mensch-Maschine-Schnittstelle eines Kraftfahrzeugs und zugehöriges Kraftfahrzeug, Audi AG, Patent DE102014019105 A1, 2014
Brain4Cars (2016) Brain4Cars; http://brain4cars.com/, 2016, Zugriff 18.09.2017
Brockmann, M.: Code of Practice for the Design and Evaluation of ADAS (2009) Brockmann, Martin: Code of Practice for the Design and Evaluation of ADAS, 2009 Bronshtein, A.: Train/Test Split and Cross Validation in Python (2017)
Bronshtein, Adi: Train/Test Split and Cross Validation in Python;
https://towardsdatascience.com/train-test-split-and-cross-validation-in-python-80b61beca4b6, 2017, Zugriff 03.03.2019
Brownlee, J.: How to Prepare Data For Machine Learning (2013) Brownlee, Jason: How to Prepare Data For Machine Learning;
https://machinelearningmastery.com/how-to-prepare-data-for-machine-learning/, 2013, Zugriff 14.01.2019
Brownlee, J.: How Much Training Data is Required for Machine Learning? (2017) Brownlee, Jason: How Much Training Data is Required for Machine Learning?;
https://machinelearningmastery.com/much-training-data-required-machine-learning/, 2017, Zugriff 04.02.2018
Brownlee, J.: What is the Difference Between a Batch and an Epoch in a Neural Net-work? (2018)
Brownlee, Jason: What is the Difference Between a Batch and an Epoch in a Neural Net-work?; https://machinelearningmastery.com/difference-between-a-batch-and-an-epoch/, 2018, Zugriff 14.04.2019
Bubb, H.: Wie viele Probanden braucht man für allgemeine Erkenntnisse aus Fahr-versuchen? (2003)
Bubb, Heiner: Wie viele Probanden braucht man für allgemeine Erkenntnisse aus Fahrver-suchen?, in: Landau, Kurt; Winner, Hermann (Hrsg.): Fahrversuche mit Probanden - Nutzwert und Risiko, Fortschritt-Berichte VDI Reihe 12,
Verkehrstech-nik/Fahrzeugtechnik Nr. 557, VDI-Verl., Düsseldorf, 2003
Budhiraja, A.: Learning Less to Learn Better — Dropout in (Deep) Machine learning (2016)
Budhiraja, Amar: Learning Less to Learn Better — Dropout in (Deep) Machine learning;
https://medium.com/@amarbudhiraja/https-medium-com-amarbudhiraja-learning-less-to-learn-better-dropout-in-deep-machine-learning-74334da4bfc5, 2016, Zugriff 08.03.2019 Bundesministerium der Justiz und für Verbraucherschutz: ProdHaftG (1989) Bundesministerium der Justiz und für Verbraucherschutz Gesetz über die Haftung für feh-lerhafte Produkte, 1989
Bundesministerium der Justiz und für Verbraucherschutz: ProdSG (2011)
Bundesministerium der Justiz und für Verbraucherschutz Gesetz über die Bereitstellung von Produkten auf dem Markt, 2011
Bundesministerium der Justiz und für Verbraucherschutz: FZV (2011)
Bundesministerium der Justiz und für Verbraucherschutz Verordnung über die Zulassung von Fahrzeugen zum Straßenverkehr (Fahrzeug-Zulassungsverordnung – FZV), 2011 Burges, C. J.; Crisp, D. J.: Uniqueness of the SVM solution (2000)
Burges, Christopher J. C.; Crisp, David J.: Uniqueness of the SVM solution, in: Advances in neural information processing systems, 2000
Burke, J.: Vorlesungsunterlagen, Linear Optimization (2018) Burke, Jim: Linear Optimization, Vorlesungsunterlagen
University of Washington, Washington, 2018