Publikationen

Solangi, Ghulam Murtaza ;
Software defined approaches for data center networks. - Ilmenau. - 89 Seiten
Technische Universität Ilmenau, Masterarbeit 2020

Datenzentren werden aufgrund der zunehmenden Datengenerierung und Internetnutzer auf der ganzen Welt schnell zu einem festen Bestandteil jedes größeren Unternehmens. Rechenzentrumsnetzwerke sind ein integraler Bestandteil von Rechenzentren. Cloud Computing gewinnt aufgrund seiner zahlreichen Vorteile immer mehr an Bedeutung. Viele Datencenter-Topologien sind vorgeschlagen worden, um diese Herausforderung zu lösen. In der Arbeit werden mehrere Topologien wie Fat Tree, DCell, BCube und Circu-lant Fat Tree diskutiert. Das Routing von Rechenzentren ist für feste große Netzwerke ausgelegt, die typisch für Rechenzentren sind. Die Simulation eines komplexen Systems wie eines Rechenzentrums ist eine schwierige Aufgabe. Es gibt verschiedene Simulatoren, die verwendet wurden, um sowohl physische als auch Cyber-Aspekte eines Rechenzentrums zu modellieren. In der Arbeit werden verschiedene Architekturen wie Monsoon, Portland und VL2 diskutiert, um Licht in die Funktionsweise von Rechenzentrumsnetzwerken zu bringen. Die Crossroads-Architektur, die die Vorteile von SDN ausnutzt, wird ebenfalls diskutiert. Eine Simulation der Netzwerkkapazität des traditionellen Fat-Tree unter Verwendung des Spanning-Tree-Protokolls und des DCell-Netzwerks wird diskutiert. Eine Simulation von BIRD und BATMAN des Fat-Tree-Netzwerks in Bezug auf Netzwerkkapazität und Durchsatz wird ebenfalls diskutiert. Abschließend werden die Vorteile "Software Defined Approaches" für Rechenzentren gegenüber traditionellen Netzwerken diskutiert.

Kreismann, Jakob; Kim, Jaewon; Bosch, Martí; Hein, Matthias; Sinzinger, Stefan; Hentschel, Martina
Super-directional light emission and emission reversal from micro cavity arrays. - In: DPG-Frühjahrstagung (DPG Spring Meeting) of the Condensed Matter Section (SKM) together with the DPG Division Environmental Physics and the Working Groups Accelerator Physics; Equal Opportunities; Energy; Industry and Business; Physics, Modern IT and Artificial Intelligence, Young DPG, (2020), KFM 7.1

A study of multichannel biomedical data streams using machine learning methods with regard to an implementation in embedded systems. - Ilmenau. - 52 Seiten
Technische Universität Ilmenau, Bachelorarbeit 2020

In den letzten Jahrzehnten hat maschinelles Lernen verschiedene Bereiche der Wissenschaft rasch verändert, indem neue Analysewerkzeuge bereitgestellt wurden, um aus zuvor verfügbaren Daten neue Schlussfolgerungen abzuleiten. Die Suche nach einem geeigneten Klassifikator mit aussagekräftigen Merkmalen für den richtigen Datensatz ist eine der vielen Herausforderungen in diesem sich noch entwickelnden Bereich. Eines der Gebiete, die von Fortschritten beim maschinellen Lernen stark profitieren würde, ist die biomedizintechnische Diagnostik von EKG-Signalen. Diese Arbeit versucht, die Wirksamkeit und Genauigkeit von zwei Klassifikatoren des maschinellen Lernens zu untersuchen, nämlich Artificial Neural Networks (ANN), sowie Support-Vektor-Maschinen (SVM). Außerdem werden verschiedene Merkmalsextraktionsmethoden untersucht, die am Eingang dieser Klassifikatoren einfließen. Dazu gehören einfacher zeitlicher und spektraler Eigenschaften des QRS-Komplexes sowie Merkmale, die aus der WaveletTransformationen dieser EKG-Signale abgeleitet werden könnten. Diese Methoden, die mithilfe von Wolframs Mathematica implementiert werden, sollten auf einen Datensatz angewendet werden. Schließlich wurde bezüglich der beiden Klassifizierungsmethoden eine höhere Genauigkeit von künstlichen neuronalen Netzen demonstriert, jedoch sind diese viel rechenintensiver als Support-Vector-Machinen. Die Genauigkeiten der beiden Klassifikatoren sind in Betracht der Zwecke dieser Studie akzeptabel.

Das, Sanju;
Measurement and modeling of radiated interference in industrial frequency bands for 5G URLLC. - Ilmenau. - 106 Seiten
Technische Universität Ilmenau, Masterarbeit 2020

Es wird erwartet, dass 5G Ultra-Reliable Low-Latency Communication (URLLC) eine wichtige Rolle in der industriellen Automatisierung spielt, bei der die hohe Zuverlässigkeit des Kommunikationsnetzwerks von entscheidender Bedeutung ist. Eine industrielle Umgebung kann jedoch verschiedene Arten von Störstrahlungen enthalten, was dazu führen kann, dass der Systemteil mit Bedarf an hoher Zuverlässigkeit nicht mehr korrekt arbeitet. Vor der Anwendung von Netzwerklösungen ist es daher unerlässlich, ein angemessenes Verständnis der verschiedenen Störstrahlungen zu haben, die in einer industriellen Umgebung auftreten können. Der Schwerpunkt dieser Arbeit liegt auf der Entwicklung eines solchen Verständnisses in dem jeweiligen relevanten Frequenzband. In diesem Zusammenhang haben wir in einer kleinen Fabrik eine Messreihe durchgeführt, die sich insbesondere mit den Emissionen eines Lichtbogenschweißprozesses befasst und eine detaillierte Analyse der Eigenschaften wie Leistung, Wahrscheinlichkeitsdichtefunktion, Leistungsdichtespektrum und zeitliche Parameter der gemessenen Interferenz liefert. Darüber hinaus werden in der Arbeit mehrere state-of-the-art Impulsrauschmodelle untersucht und ihre Leistung bei der Modellierung der Eigenschaften der gemessenen Interferenz bewertet. Ebenfalls wird ein neuartiges Modell vorgeschlagen, bei dem das Ergebnis eine höhere Genauigkeit derWahrscheinlichkeitsdichtefunktion und bessere zeitliche Eigenschaften als die vorhandenen Modelle aufweist. Die beiden wesentlichen Erkenntnisse der Arbeit sind einerseits der Einblick in die Eigenschaften der gemessenen Interferenz sowie die Entwicklung eines neuartigen Modells mit verbesserter Leistung im Vergleich zu den vorhandenen Modellen. Die Ergebnisse der Arbeit können in Simulationen/Emulationen von 5G-Systemen verwendet werden und helfen, die Systemleistung bei industriellen Interferenzen zu untersuchen und zu verbessern.

Pandey, Rick;
Robust signal processing of manually acquired single-channel synthetic aperture ultrasound measurement data. - Ilmenau. - 95 Seiten
Technische Universität Ilmenau, Masterarbeit 2020

Die manuelle Ultraschallprüfung ist ein zerstörungsfreies Prüfverfahren das zur Identifizierung von Fehlern in Bauteilen eingesetzt wird. Sie ist aufgrund ihrer Kompatibilität mit komplexen Probenstrukturen weit verbreitet. Die Synthetic Aperture Focusing Technique (SAFT) ist eine Rekonstruktionstechnik, die zur Abbildung des Inneren von Objekten durch Nachbearbeitung von Ultraschallmessungen verwendet wird. Sie wird bei Messungen angewandt, die mit einem Positionierroboter in der Industrie durchgeführt werden. Bei gleicher Verarbeitung händischer Daten treten Artefakte aufgrund unvermeidlicher Probleme auf, die mit manueller Prüfung verbunden sind: variable Prüfdichte, räumliche Spärlichkeit und Versatz bei A-Bildern aufgrund von inkonsistentem Anpressdruck. Tiefe Neuronale Netzwerke (Deep Neural Networks, DNN) werden häufig zur Klassifiezierung von Daten als Vorverabeitung zur Verbesserung der Bildgebung verwendet. Ziel dieser Arbeit ist, die SAFT-Rekonstruktion für manuelle mit 3D SmartInspect, einem vom Fraunhofer Institut für Zerstörungsfreie Prüfverfahren IZFP entwickeltes Assistenzsystem, gemessene Ultraschalldaten zu verbessern. Als Ergebnis verbesserten wir die SAFT-Ergebnisse im Vergleich zum Stand der Technik durch optimierte Parameterauswahl basierend auf dem Messaufbau. Wir haben ein DNN-Modell entwickelt, mit dem die erfassten Messungen vorverarbeitet werden können, um sie für eine weitere Artefaktreduzierung robust gegenüber messtechnischen Herausforderungen zu machen. Das vorgeschlagene DNN kann räumlich spärliche Scans interpolieren und mögliche Offsets durch variierenden Anpressdruck korrigieren, indem es ein Regressionsproblem im Zeitbereich löst. Es kann den Prüfer bei der Ermittlung der Mindestmessungen helfen, die für Rekonstruktionen mit wenig Artefakten erforderlich sind. Das DNN wird sowohl mit simulierten als auch mit realen Messungen getestet. Die Rekonstruktionen vorverarbeiteter Messungen mittels DNN sowie unbearbeiteter Messungen werden an Hand des Generalized Contrast to Noise Ratio (GCNR) verglichen. Wir verbesserten den GCNR um 12% und 3% für simulierte bzw. Realdaten. Wir konnten unter Verwendung des DNNs auch die Größe und Form der Defekte besser abschätzen. Die vorgeschlagene Strategie und die Verbesserungen können Assistenzsysteme erheblich aufwerten und eine bessere Lokalisierung und Bemessung von Mängeln ermöglichen.