Die Studierenden erlernen die berufspraktisch relevante Anwendung von Methoden zur Analyse und Optimierung von elektrischen Netzwerken, indem unter Anleitung eines Betreuers (Dozent) im Praxisseminar mit Unternehmensbezug im Bereich der Analyse und Optimierung eines elektrischen Netzwerks oder eine Fragestellung zur Erfassung und Analyse von Messdaten bearbeitet wird. Dieses Semester wendet sich dabei im Praxisprojekt dem Ziel zu, in einem Projekt mit 15-seitigem Abschlussbericht (im DINA4-Format) eine Python Routine zu programmieren, mithilfe derer man ein durch ein GAN-basiertes künstliches neuronales Netzwerk mit einer spezifischen integrierten Schaltung zur Verschlüsselung mit binären Schlüsseln der Größe N = 16 Bits in der Gaußschen Zahlenebene modellieren und darstellen, und dadurch die generierte Zahlenstruktur analytisch verstehen kann. Ein GAN dieser Art lässt sich in einer Nutzungsart z. B. dazu nutzen, elektrische Schaltungen und Mikrocontroller grafisch in der Gaußschen Zahlenebene darzustellen und zu klassifizieren und derart die künstlich modellierten Daten als Funktion der chemischen Bestandteile und physikalischen Kennzahlen deren Fehlertoleranz durch die Auswertung von Zahlenstrukturen beim Übergang zwischen regulärem zu chaotischem Charakter in der Gaußschen Zahlenebene quantitativ abzuschätzen.
git clone https://github.com/alexej-schelle/ComplexGAN.git and start the software with the corresponding Python files
Download files at https://github.com/alexej-schelle/ComplexGAN/ and start the software with the corresponding Python files
git clone https://github.com/alexej-schelle/ComplexGAN/ and read docs/README.txt
Please visit https://www.iu.org/ or ask at alexej.schelle.ext@iu.org.
work in progress