Intelligenten Systeme
sind problemlösende Systeme, die sich durch die Fähigkeit auszeichnen,
rationale Entscheidungen zu treffen - auch bei komplexer, unvollständiger oder
unsicherer Datenlage. Solche intelligenten Systeme werden in der Hochschule an
verschiedenen Stellen und in unterschiedlichen Anwendungsgebieten erforscht und
entwickelt.
So beschäftigt sich eine Forschungsgruppe mit Service Robotern, ein Team entwickelt ein Tool zur modellbasierten Sicherheitsanalyse technischer Systeme, Large Language Models werden adaptiert und in verschiedenen Bereichen eingesetzt oder Balkonkraftwerke und ganze Energienetze werden intelligent gesteuert.
Hier wird ein Überblick über die Aktivitäten im Bereich intelligenter Systeme gegeben.
Biomechatronik
Fahrerassistenzsysteme
Industrie 4.0
Servicerobotics
Smart Grids
Ansprechpartner:
Prof. Marianne von Schwerin
Institut für Informatik
Prof. Christian Schlegel - Servicerobotik und 4.0 Technologien
Prof. Reinhold von Schwerin - Data Science und Maschinelles Lernen
Institut für Energie- und Antriebstechnik
Prof. Gerd Heilscher - Smart Grids Forschungsgruppe
Prof. Marc-Oliver Otto
Prof. Stephan Schlüter - Statistical analysis
Institut für Medizintechnik und Mechatronik
Prof. Michael Munz - KI für die Zeitreihenanalyse, XAI
Prof. Thomas Walter - Fahrerassistenzsysteme / Sensorik
Institut für Kommunikationstechnik
Prof. Markus Hahn - Edge AI
Prof. Anestis Terzis - Surround-View
Zahlreiche Professorinnen und Professoren sind Mitglied im DASU, über das Data Science und KI Lösungen gemeinsam mit interessierten Unternehmen erforscht und entwickelt werden.
Aktuelle Projekte
Entwicklung eines neuartigen Transformers zur gezielten Bildvorbereitung bei gescannten Textdokumente (ASCEND)
Projektleiter: Prof. Michael Munz
Projektlaufzeit: 01.02.2024 - 31.01.2026
Mittelgeber: Bund - BMWK
Programmname: ZIM
Projektbeschreibung:
Ziel des Projekts „ASCEND“ ist die Entwicklung eines neuartigen Verfahrens zur Verbesserung der automatischen Verarbeitung gescannter Dokumente durch Aufbereitung der Bildinformationen. Technische Innovation und Lösungsweg ist die Entwicklung eines neuartigen Transformer-KI-Systems und die Übertragung und Anwendung von Methodiken zum (Parameter-) effizienten Trainieren aus unterschiedlichen Kontexten wie der Sprach- und Textverarbeitung auf Vision Transformer Modelle. Dafür muss als zweiter Innovativer Kern im Projekt eine neuartige Loss-Function entwickelt werden, die auch das Ergebnis der Texterkennung in die Bewertung der Bildverarbeitung miteinbezieht.
Mehr Inklusion durch smarte KI auf Endgeräten (MIKE)
Projektleiter: Prof. Dr. Markus Hahn
Projektlaufzeit: 01.10.2024 – 31.03.2025
Mittelgeber: Bund – BMBF
Programmname: DATIPilot
Projektbeschreibung:
Für viele Menschen mit Behinderungen ist es sehr schwer auf den „ersten Arbeitsmarkt“ zu kommen, Inklusion gibt es häufig nicht. Das Gesamtziel des Projekts ist es, benutzerfreundliche und effektive Edge-AI-Systeme zu entwickeln, die speziell auf die Bedürfnisse von Menschen mit Behinderungen zugeschnitten sind. Edge-AI, kurz für Edge Artificial Intelligence, ist die nächste Generation von KI-Systemen. Im Gegensatz zu Cloud-basierten KI-Lösungen arbeitet dieses System dezentral und die KI direkt auf Endgeräten wie Smartphones, Smarten-Brillen oder intelligenten Begleitern.
Weitere Informationen: www.thu.de/mike
Kooperatives Promotionskolleg Data Science und Analytics: Vertrauen in und Kontrolle von Algorithmen (DATSCI)
Projektleiter: Prof. Kathrin Stucke-Straub
Projektlaufzeit: 01.10.2022 – 31.03.2027
Mittelgeber: Land – MWK
Programmname: Kooperatives Promotionskolleg
Projektbeschreibung:
Das Kooperative Promotionskolleg der Universität Ulm und der Technischen Hochschule Ulm adressiert eine innovative und interdisziplinäre Thematik in den Bereichen Data Science, Data Analytics und Künstlicher Intelligenz.
Zwölf Promovierende (davon 6 an der THU) sollen in den kommenden 4,5 Jahren von Tandems der beiden Hochschulen betreut werden. Im Fokus des Kooperativen Promotionskollegs stehen neben der Nachvollziehbarkeit und der Erklärbarkeit auch die Sicherheit, Verlässlichkeit und Nachprüfbarkeit der verwendeten und weiterentwickelten Methoden der künstlichen Intelligenz.
Innovative Exzellenzqualifikation Handwerk DQR 4-7
Projektleiter: Prof. Dr. Reinhold von Schwerin
Projektlaufzeit: 01.10.2020 – 31.05.2025
Mittelgeber: Bund – BMBF
Programmname: innoVET
Projektbeschreibung:
Die Digitalisierung der Lebens- und Arbeitswelt und speziell das Gebiet des Ambient Assisted Living soll in diesem Projekt voran gebracht werden. Hierbei sind von Seiten der Elektrotechnik programmierbare Steuerungen und insbesondere deren Sicherheit wesentlich. SPS-Integration und Systemvernetzung sowie Safe Automation sind zentrale Inhalte. Im Bereich Digitalisierung sind Data Science Datenbanken und Data Analytics sowie Data Science für IoT und Digitale Geschäftsmodelle wesentlich. Diese Technologien werden orchestriert und für den praktischen Einsatz adaptiert und nutzbar gemacht. Hierzu gehört die Definition von geeigneten Schnittstellen, die Bereitstellung von „ready to use“ Modulen sowie ein Zugang zu modernen Technologien, ohne Algorithmen oder Programmierung im Detail zu kennen.
Weitere Informationen unter www.exzellenz-handwerk.de
Abgeschlossene Projekte
InnoSÜD: Dynamisches Innovationssystem der Region Donau-Iller
Projektleiterin: Prof. Dr. rer.nat. Marianne von Schwerin
Projektlaufzeit: 01.01.2018 – 31.12.2022
Mittelgeber: Bund + Land
Programmname: Innovative Hochschule
Projektbeschreibung:
In InnoSÜD wird ein dynamisches Innovationssystem in der Region Donau-Iller entwickelt, das in der Umsetzung neuer Transferformate seine Stärken aufweist. Es werden vorrangige Zukunftsaufgaben thematisiert, die die Implementierungsfelder Mobilität, Energie, Gesundheit / Biotechnologie und Transformationsmanagement umfassen.
Die THU vertritt die Themenbereiche Energie und Mobilität. Beide Themenfelder umfassen Bereiche, die sich in naher Zukunft stark verändern müssen, wie die Begriffe Energie- und Verkehrswende verdeutlichen. Elektromobilität und automatisiertes Fahren bestimmen die Entwicklungen im Automobilbereich, erneuerbare und dezentrale Energiesysteme sind die Zukunft der Energieversorgung.
Mit ihrer Beteiligung an diesem Innovationsprojekt möchte die THU auf regionaler Ebene diese bedeutsamen technologischen Umbrüche aktiv mitgestalten und verfolgt dabei einen alternativen Ansatz im Bereich des Wissens- und Technologietransfers. Hierfür kommen in InnoSÜD speziell entwickelte Transferformate wie Trialoge oder Innovationszirkel zum Einsatz, um die regionale Wirtschaft, Wissenschaft und Gesellschaft an einen Tisch zu bringen. Auch Reallabore, offene Entwicklungsumgebungen (Open Labs und Open Products) sowie kooperative Promotionen und Personaltausch tragen dazu bei, Ideen für Innovation zu teilen und auf eine breite Basis zu stellen.
Weitere Informationen: www.innosued.de
InnoTeach
Projektleiterin: Prof. Dr. Marianne von Schwerin
Projektlaufzeit: 01.01.2020 - 31.12.2021
Mittelgeber: Land - MWK
Projektbeschreibung:
Im Teilvorhaben an der THU wird das Thema KI aufgegriffen, dieses aufgearbeitet und in Zusammenarbeit mit Unternehmen in Projekten im Masterstudiengang Intelligente Systeme eingesetzt. Es werden dort Lösungsansätze für Fragestellungen im Bereich der künstlichen Intelligenz aus der Wirtschaft erarbeitet und prototypisch umgesetzt. Durch das Projekt soll einer breiten Menge an Studierenden der Kontakt zu Unternehmen der Region ermöglicht werden. Hierzu werden die Transferformate aus dem Projekt InnoSÜD (Innovative Hochschule) weiterentwickelt und auch schon in der Lehre eingesetzt.
Data Literacy und Data Science für den Mittelstand: Qualifizierung und Weiterbildung (DLDS)
Projektleiter: Prof. Dr. Reinhold von Schwerin
Projektlaufzeit: 01.05.2019 – 31.12.2021
Mittelgeber: Land – MWK / EFRE
Programmname: ESF
Projektbeschreibung:
Ziel des Projekts ist die Ausweitung des Einsatzes von Methodiken im Bereich Künstlicher Intelligenz und Machine Learning v.a. im Bereich des Mittelstandes. Es sollen die Gebiete von Data Engineering über Analytics bis zu Deep Learning betrachtet werden. Dabei sollen die Levels Awareness, Literacy, Practitioner und Scientist adressiert werden. Insbesondere soll über Forschungen zur Erklärbarkeit von KI-Resultaten eine Akzeptanz und besseres Verständnis für KI-Lösungen hergestellt werden. Hierbei werden gut verstandene Lernprozesse in KI-Systemen analysiert und die Entscheidungsvorgänge des maschinellen Lernens klassifiziert, um eine Basis für das Verständnis der Ergebnisfindung von KI-Algorithmen zu legen.
Zukunftsstadt 3
Projektleiter: Prof. Dr. Michael Schlick
Projektlaufzeit: 01.02.2020 - 31.12.2021
Mittelgeber: Bund – BMBF
Programmname: Zukunftsstadt
Projektbeschreibung:
Aufbauend auf dem in der vorigen Förderphase entstandenen Gatewaynetz der Stadt Ulm soll eine geeignete Sensortechnik entwickelt und ausgerollt werden. Auf Basis der Funktechnik LoRaWAN entsteht eine universelle Erfassungs- und Verarbeitungsplattform von Daten über Luftqualität, Temperatur, Luftfeuchtigkeit, Fahrradmobilität, WiFi-Scanner, Beschleunigungssensor und GPS. Diese Daten sollen analysiert, aufgearbeitet und intelligent weiterverarbeitet werden. Mit geeigneten Methoden des Maschinellen Lernens / KI können dann im Rahmen des Projekts Vorhersagen über die Nutzung der Infrastruktur der Innenstadt gemacht werden. Daraus wird ein Konzept zur besseren Auslastung von Sharing Angeboten im ÖPNV, in der Kombination von Sharing und ÖPNV und von Taxifahrten gemacht.
Zukunftsstadt 2
Projektleiterin: Prof. Dr. rer.nat. Marianne von Schwerin
Projektlaufzeit: 01.01.2018 – 31.12.2018
Mittelgeber: Bund – BMBF
Programmname: Zukunftsstadt
Projektbeschreibung:
Die Stadt wird in den Zukunftsbereichen Mobilität, Energie und Vernetzung sowie Wirtschaft, Beschäftigung und Arbeit von verschiedenen Professoren der Hochschule Ulm unterstützt. Hierbei werden die Themen Elektromobilität und alternative
Verkehrskonzepte betrachtet genauso wie Energiewende und digitale
Transformation. In dieser zweiten Phase der Zukunftsstadt geht es um die
Erarbeitung umsetzungsfähiger Konzepte.
Requirement-driven Optimization of System Concept with integrated Model Based Safety Analysis (SysRO)
Projektleiter: Prof. Dr. Rüdiger Lunde
Projektlaufzeit: 01.11.2018 – 29.02.2020
Mittelgeber: sonstige öffentliche Einrichtung
Programmname: smartflow
Projektbeschreibung:
Im Projekt geht es um die Weiterentwicklung des smartIflow-Ansatzes zur automatisierten Erstellung von Sicherheitsanalyse-Artefakte auf Basis komponentenorientierter Modelle. Insbesondere soll eine neue FMEA-Generierung entwickelt und in die existierende Workbench integriert werden.
Neu daran ist insbesondere die Art des zu Grunde gelegten Modells, da die hier eingesetzten Transitionssysteme bisher nicht für diesen Zweck genutzt wurden.
Veröffentlichungen
2024
Gögelein, David; von Schwerin, Marianne; Herbort, Volker:
PV system installation assessment based on power measurement for balcony power plant applications,
in: IEEE Journal of Photovoltaics, vol. 14, no. 4, IEEE Xplore, 2024, Seiten 13 (571 - 582).
DOI: 10.1109/JPHOTOV.2024.3384914
ISSN: 2156-3381
Krenmayr, Lucas; von Schwerin, Reinhold; Schaudt, Daniel; Riedel, Pascal; Hafner, Alexander:
DilatedToothSegNet: Tooth Segmentation Network on 3D Dental Meshes Through Increasing Receptive Vision,
in: Journal of Imaging Informatics in Medicine Imaging, vol. 37, Springer, 2024, Seiten 1846–1862.
DOI: 10.1007/s10278-024-01061-6
ISSN: 2948-2933
Riedel, Pascal; Belkilani, Kaouther; Reichert, Manfred; Heilscher, Gerd; von Schwerin, Reinhold:
Enhancing PV feed-in power forecasting through federated learning with differential privacy using LSTM and GRU,
in: Energy and AI, Vol. 18, Science Direct, Elsevier, 2024, Seiten 100452 (17 Seiten).
DOI: 10.1016/j.egyai.2024.100452
ISSN: 2666-5468
Riedel, Pascal; Schick, Lukas; von Schwerin, Reinhold; Reichert, Manfred; Schaudt, Daniel; Hafner, Alexander:
Comparative analysis of open-source federated learning frameworks - a literature-based survey and review,
in: International Journal of Machine Learning and Cybernetics, Vol. 15, Springer Nature, 2024, Seiten 5257–5278.
DOI: 10.1007/s13042-024-02234-z
ISSN: 1868-8071
von Schwerin, Reinhold; Schaudt, Daniel; Hafner, Alexander:
Umsetzung von KI-Transferprojekten - Praxisbericht zu Risiken und Herausforderungen,
in: Informatik 2024, Lecture Notes in Informatics (LNI), Klein et. al. (Hrsg.), GI Gesellschaft für Informatik, 2024, Seiten 1751-1756.
DOI: 10.18420/inf2024_152
ISBN: 978-3-88579-746-3
ISSN: 1617-5468
2023
Goldstein, Markus:
Special Issue on Unsupervised Anomaly Detection,
in: Applied Sciences, 2023 13(10):5916., MDPI, Switzerland, 2023, Seiten 3.
DOI: 10.3390/app13105916 ISSN: 2076-3417
Hwang, Young-Seok; Um, Jung-Sup; Pradhan, Biswajeet; Choudhury, Tanupriya; Schlüter, Stephan:
How does ChatGBT evaluate the value of spatial information in the 4th industrial revolution?,
in: Spatial Information Research, Springer, 2023, Seiten 8.
DOI: 10.1007/s41324-023-00567-5
ISSN: 2366-3286 (Print), eISSN: 2366-3294
Krenmayr, Lucas; Goldstein, Markus:
Explainable Outlier Detection using Feature Ranking for k-Nearest Neighbors, Gaussian Mixture Model and Autoencoders,
in: Proceedings of the 12th International Conference on Pattern Recognition Applications and Methods - ICPRAM 2023, INSTICC, SciTePress, 2023, Seiten 245-253.
DOI: 10.5220/0011631900003411
ISSN: 2184-4313, ISBN: 978-989-758-626-2
Riedel, Pascal; Singh, Gaurav; von Schwerin, Reinhold; Reichert, Manfred; Hafner, Alexander; Schaudt, Daniel:
Performance Analysis of Federated Learning Algorithms for Multilingual Protest News Detection using Pre-trained DistilBERT and BERT,
in: IEEE Access, IEEE Publishing Operations, 2023, Seiten 14.
DOI: 10.1109/ACCESS.2023.3334910
ISSN: 2169-3536
Riedel, Pascal; von Schwerin, Reinhold; Schaudt, Daniel; Hafner, Alexander; Späte, Christian:
ResNetFed: Federated Deep Learning Architecture for Privacy-Preserving Pneumonia Detection from COVID-19 Chest Radiographs,
in: Journal of Healthcare Informatics Research. 7, Springer Nature, 2023, Seiten 203–224.
DOI: 10.1007/s41666-023-00132-7
ISSN: 2509-4971
Schaudt, Daniel; Späte, Christian; von Schwerin, Reinhold; Reichert, Manfred; von Schwerin, Marianne; Beer, Meinrad; Kloth, Christopher:
A Critical Assessment of Generative Models for Synthetic Data Augmentation on Limited Pneumonia X-ray Data,
in: Bioengineering - Artificial Intelligence (AI) for Medical Image Processing, Vol.12, Is. 10, Seiten 24.
DOI: 10.3390/bioengineering10121421
ISSN: 2306-5354
Schaudt, Daniel; von Schwerin, Reinhold; Hafner, Alexander; Riedel, Pascal; Reichert, Manfred; von Schwerin, Marianne; Beer, Meinrad; Kloth, Christopher:
Augmentation strategies for an imbalanced learning problem on a novel COVID-19 severity dataset,
in: Scientific Reports (Sci Rep) 13, Article number: 18299, 2023, Seiten 16.
DOI: https://doi.org/10.1038/s41598-023-45532-2
ISSN: 2045-2322
Schaudt Daniel; von Schwerin, Reinhold; Hafner, Alexander; Riedel, Pascal; Späte, Christian; Reichert, Manfred; Hinteregger, Andreas; Beer, Meinrad; Kloth, Christopher:
Leveraging Human Expert Image Annotations to Improve Pneumonia Differentiation through Human Knowledge Distillation,
in: Nature - Scientific Reports 13, Article number: 9203, 2023, Seiten 13.
DOI: 10.1038/s41598-023-36148-7
ISSN: 2045-2322
von Schwerin, Reinhold; Hafner, Alexander:
DASU – Transferzentrum für Digitalisierung, Analytics & Data Science Ulm - Intelligente Transferstrategien zur Unterstützung der digitalen Transformation,
in: Lecture Notes in Informatics (LNI) - Proceedings Volume 337, GI - Gesellschaft für Informatik, 2023, Seiten 1751-1762.
DOI: 10.18420/inf2023_178
ISBN: 978-3-88579-731-9, ISSN: 1617-5468
2022
Choi, Jeonghoon; Suh, Dongjun; Otto, Marc-Oliver:
Boosted Stacking Ensemble Machine Learning Method for Wafer Map Pattern Classification,
in: Computers, Materials & Continua 74(2), Tech Science Press, 2022, Seiten 2945-2966.
DOI: 10.32604/cmc.2023.033417
ISSN: 1546-2218 (print), 1546-2226 (online)
Hafner, Alexander; Schaudt, Daniel; Riedel, Pascal; von Schwerin, Reinhold:
Vertrauen als (notwendige) Optimierungsgröße für ML-Modelle im produktiven Umfeld,
in: 3. Innovationskongress Ulm | Neu-Ulm Datasience to go, von Schwerin, Marianne; Reichert, Manfred; Urban, Karsten (Hrsg.), OPARU, 2022, Seiten 47-55.
DOI: 10.18725/OPARU-44168
ISBN: 978-3-9820843-3-6
Hwang, Young-Seok; Schlüter, Stephan; Park, Seong-Il; Um, Jung-Sup:
Comparative Evaluation for Tracking the Capability of Solar Cell Malfunction Caused by Soil Debris between UAV Video versus Photo-Mosaic,
in: Remote Sensing, 14(5), 1220, MDPI, 2022, Seiten 15.
DOI: 10.3390/rs14051220
ISSN: 2072-4292
Hwang, Young-Seok; Schlüter, Stephan; Um, Jung-Sup:
Spatial Cross-Correlation of GOSAT CO2 Concentration with Repeated Heat Wave-Induced Photosynthetic Inhibition in Europe from 2009 to 2017,
in: Remote Sensing, 14(18), 4536, MDPI, 2022, Seiten 13.
DOI: 10.3390/rs14184536
ISSN: 2072-4292
Kojić, Milena; Schlüter, Stephan; Mitić, Petar; Hanić, Aida:
Economy-environment nexus in developed European countries: Evidence from multifractal and wavelet analysis,
in: Chaos, Solitons & Fractals Volume 160, Science Direct, Elsevier, 2022, Seiten 15.
DOI: https://doi.org/10.1016/j.chaos.2022.112189
ISSN: 0960-0179 / eISSN: 1873-2887
Mitić, Petar; Kojić, Milena; Hanić, Aida; Schlüter, Stephan:
Environment and Economy Interactions in the Western Balkans: Current Situation and Prospects,
in: Lecture Notes in Networks and Systems (LNNS, Vol. 529), Tufek-Memišević, T.; Arslanagić-Kalajdžić, M.; Ademović, N., Springer Cham, 2022, Seiten 3-21.
DOI: 10.1007/978-3-031-17767-5_1
ISBN: 978-3-031-17766-8, ISSN: 2367-3370
Riedel, Pascal; Schaudt, Daniel; Hafner, Alexander; von Schwerin, Reinhold:
Datenschutzkonformer Einsatz des maschinellen Lernens bei Patientendaten anhand einer föderalen Lernstrategie,
in: 3. Innovationskongress Ulm | Neu-Ulm - Datasience to go, von Schwerin, Marianne; Reichert, Manfred; Urban, Karsten, OPARU, 2022, Seiten 2-13.
DOI: 10.18725/OPARU-44168
ISBN: 978-3-9820843-3-6
Schlüter, Stephan; Jung, Sejung; von Döllen, Andreas; Lee, Wonhee:
An Alternative to Index-Based Gas Sourcing Using Neural Networks,
in: Energies 2022, 15(13), MDPI, 2022, Seiten 11.
DOI: 10.3390/en15134708
ISSN: 1996-1073
Schlüter, Stephan; Menz, Fabian; Kojić, Milena; Mitić, Petar; Hanić, Aida:
A Novel Approach to Generate Hourly Photovoltaic Power Scenarios,
in: Sustainability 2022, 14(8), MDPI, 2022, Seiten 17.
DOI: 10.3390/su14084617
ISSN: 2071-1050
Strahnen, Manfred; Kessler, Philipp:
Investigation of a Deep-Learning based Brain-Computer Interface with Respect to a Continuous Control Application,
in: IEEE Access, 2022, Volume 10, IEEE, 2022, Seiten 12.
DOI: 10.1109/ACCESS.2022.3228164
ISSN: 2169-3536
von Schwerin, Marianne:
Bias und Fairness in KI,
in: 3. Innovationskongress Ulm / Neu-Ulm 2022 - Data Science to go, von Schwerin, Marianne; Reichert, Manfred; Urban, Karsten (Hrsg.), OPARU, 2022, Seiten 14-29.
DOI: 10.18725/OPARU-44168
ISBN: 978-3-9820843-3-6
von Schwerin, Marianne:
Trusted AI, Können Standardisierung und Zertifizierung Vertrauen in Künstliche Intelligenz schaffen?
in: Embedded Software Engineering Kongress, 2022, ELEKTRONIKPRAXIS, Vogel Communications Group GmbH & Co. KG, 2022, Seiten 293 - 298.
ISBN: 978-3-8343-6305-3
2021
Hwang, Youngseok; Schlüter, Stephan; Choudhury, Tanupriya; Um, Jung-Sup:
Comparative Evaluation of Top-Down GOSAT XCO2 vs. Bottom-Up National Reports in the European Countries,
in: Sustainability 2021, 13(12), MDPI, MDPI, 2021, Seiten 15.
DOI: 10.3390/su13126700
ISSN: 2071-1050
Hwang, Young-Seok; Schlüter, Stephan; Park, Seong-Il; Um, Jung-Sup:
Comparative Evaluation of Mapping Accuracy between UAV Video versus Photo Mosaic for the Scattered Urban Photovoltaic Panel,
in: Remote Sensing 2021, 13(14), MDPI, MDPI, 2021, Seiten 11.
DOI: 10.3390/rs13142745
ISSN: 2072-4292
Hwang,Young-Seok; Schlüter, Stephan; Lee, Jung-Joo; Um, Jung-Sup:
Evaluating the Correlation between Thermal Signatures of UAV Video Stream versus Photomosaic for Urban Rooftop Solar Panels,
in: Remote Sensing 2021, 13(23), MDPI, MDPI, 2021, Seiten 15.
DOI: 10.3390/rs13234770
ISSN: 2072-4292
Liebermann, Simon; Hwang, YongSeok; Um, Jung-Sup; Schlüter, Stephan:
Performance Evaluation of Neural Network-Based Short-Term Solar Irradiation Forecasts,
in: Energies 2021, 14(11), 3030, MDPI, MDPI, 2021, Seiten 21.
DOI: 10.3390/en14113030
ISSN: 1996-1073
von Döllen, Andreas; Hwang, YoungSeok; Schlüter, Stephan:
The Future is Colorful – An Analysis of the CO2 Bow Wave and Why Green Hydrogen Can’t do it Alone,
in: Energies 2021, 14(18), 5720, MDPI, MDPI, 2021, Seiten 21.
DOI: 10.3390/en14185720
ISSN: 1996-1073
Bowoo Kim, Dongjun Suh, Marc-Oliver Otto, Jeung-Soo Huh:
A Novel Hybrid Spatio-Temporal Forecasting of Multisite Solar Photovoltaic Generation,
in: Remote Sensing 2021, 13(13), 2605, Special Issue Remote Sensing for Smart Renewable Cities, MDPI, MDPI, 2021, Seiten 20.
DOI: 10.3390/rs13132605
ISSN: 2072-4292
Minjeong Sim, Dongjun Suh, Marc-Oliver Otto:
Multi-Objective Particle Swarm Optimization-Based Decision Support Model for Integrating Renewable Energy Systems in a Korean Campus Building,
in: Sustainability 2021, 13(15): 8660., Special Issue Human-Technology Interaction Sustainable Data Use for Environmental Decision Making;, MDPI, MDPI, 2021, Seiten 18.
DOI: 10.3390/su13158660
ISSN: 2071-1050
YoungSeok Hwang, Jong Wook Roh, Dongjun Suh, Marc-Oliver Otto, Stephan Schlueter, Tanupriya Choudhury, Jeung-Soo Huh & Jung-Sup Um:
No evidence for global decrease in CO2 concentration during the first wave of COVID-19 pandemic,
in: Environmental Monitoring and Assessment 193, Article number: 751, 2021, Springer, Springer Link, 2021, Seiten 15.
DOI: 10.1007/s10661-021-09541-w
ISSN: 0167-6369 / eISSN: 1573-2959
Akharath, Philipp; Altkrüger, Jaqueline; Sahota, Harkiran; Herbort, Volker; te Heesen, Henrik:
Modellierung eines Photovoltaik-Fehlererkennungsansatzes unter Berücksichtigung von maschinellem Lernen,
in: INFORMATIK 2021, Lecture Notes in Informatics (LNI) - Proceedings Series of the Gesellschaft für Informatik (GI) Volume P-314, Gesellschaft für Informatik e.V., 2021, Seiten 251-267.
DOI: 10.18420/informatik2021-021
ISBN: 978-3-88579-708-1 / ISSN 1617-5468
Akharath, Philipp; Altkrüger, Jaqueline; Sahota, Harkiran; Herbort, Volker; te Heesen, Henrik:
Modeling a PV Fault Detection Approach with Regards to Machine Learning,
in: EU PVSec Conference Proceedings, 38th European Photovoltaic Solar Energy Conference and Exhibition, , EU PVSEC Proceedings, 2021, Seiten 1234 - 1237.
DOI: 10.4229/EUPVSEC20212021-5CV.2.20
ISBN: 3-936338-78-7 / ISSN 2196-100X
2020
Müller, Christian; Lunde, Rüdiger; Hönig, Philipp:
Generation of a Failure Mode and Effects Analysis with smartflow,
in: Proceedings of the 30th European Safety and Reliability Conference (ESREL2020), Venice, Italy, 2020, (Hrsg.), 2020, Seiten 8.
DOI: 10.3850/978-981-14-8593-0, ISBN: 978-981-14-8593-0
Kreuzer, David; Munz, Michael; Schlüter, Stephan:
Short-term temperature forecasts using a convolutional neural network – An application to different weather stations in Germany,
in: Machine Learning with Applications, (Hrsg.), Elsevier, 2020, Seiten 26.
DOI: https://doi.org/10.1016/j.mlwa.2020.100007
Hwang, YoungSeok; Um, Jung-Sup; Hwang, JunHwa; Schlüter, Stephan:
Evaluating the Causal Relations between the Kaya Identity Index and ODIAC-Based Fossil Fuel CO2 Flux,
in: Energies, MDPI, 2020, Seiten 20.
DOI: https://doi.org/10.3390/en13226009
Hwang, YoungSeok; Um, Jung-Sup; Schlüter, Stephan:
Evaluating the Mutual Relationship between IPAT/Kaya Identity Index and ODIAC-Based GOSAT Fossil-Fuel CO2 Flux: Potential and Constraints in Utilizing Decomposed Variables,
in: International Journal of Environmental Research and Public Health 2020, Vol.17,Is.16, MDPI,2020, Seiten 18.
DOI: https://doi.org/10.3390/ijerph17165976, ISSN: 1661-7827 / 1660-4601 (eISSN)
