@inproceedings{Schmitt, author = {Schmitt, Ingo}, title = {Informationsdarstellung nach den Gesetzen der Quantenmechanik- und logik}, series = {Elektronische Sprachsignalverarbeitung 2016, Tagungsband der 27. Konferenz, Leipzig, 2.-4. M{\"a}rz 2016}, booktitle = {Elektronische Sprachsignalverarbeitung 2016, Tagungsband der 27. Konferenz, Leipzig, 2.-4. M{\"a}rz 2016}, editor = {Jokisch, Oliver}, publisher = {TUDpress}, address = {Dresden}, isbn = {978-3-95908-040-8}, pages = {S. 13}, abstract = {Die 27. Konferenz "Elektronische Sprachsignalverarbeitung" ist der Sprach- und Audiosignalverarbeitung sowie angrenzenden Disziplinen in einer großen Breite gewidmet. Die ESSV 2016 bleibt der Tradition der Konferenzreihe verpflichtet und schl{\"a}gt eine Br{\"u}cke zwischen Forschung und Anwendung. Der vorliegende Tagungsband enth{\"a}lt 38 Beitr{\"a}ge von 95 Autorinnen und Autoren zu folgenden Themengruppen: Kognitive Systeme; Fremdspracherwerb, Dialekt- und Korpusanalyse; Spracherkennung und Dialogsysteme; Phonetik und Prosodie; Sprachproduktion, Therapie und Diagnostik; Sprechercharakteristik und Stimmanalyse; Audio- und Sprachkodierung, Sprachqualit{\"a}t; Musikanalyse, Sensorik und Signalverarbeitung. Die drei Hauptvortr{\"a}ge von Dietrich D{\"o}rner, Ingo Schmitt und Dirk Labudde besch{\"a}ftigen sich mit k{\"u}nstlicher Intelligenz, Quantencomputing sowie forensischer Text- und Datenanalyse.}, language = {de} } @inproceedings{Egert, author = {Egert, Philipp}, title = {FM-DBSCAN: Ein effizienter, dichte-basierter Clustering-Algorithmus}, series = {28th GI-Workshop Grundlagen von Datenbanken, N{\"o}rten Hardenberg, Germany, May 24-27, 2016}, booktitle = {28th GI-Workshop Grundlagen von Datenbanken, N{\"o}rten Hardenberg, Germany, May 24-27, 2016}, publisher = {RWTH}, address = {Aachen}, pages = {44 -- 49}, abstract = {DBSCAN ist ein dichte-basierter Clustering-Algorithmus, der Cluster beliebiger Form auffindet und diese von Rauschen trennt. Aufgrund des quadratischen Aufwands ist DBSCAN fur große Datenmengen jedoch oft ungeeignet. In die- ¨ ser Arbeit wird deshalb ein effizienterer Algorithmus namens FM-DBSCAN vorgestellt, der fur eine beliebige Distanz- ¨ funktion (Metrik) dasselbe Ergebnis wie DBSCAN liefert. Hierfur partitioniert FM-DBSCAN die Datenkollektion in ¨ Leader-Umgebungen, auf denen anschließend das Clustering durchgefuhrt wird. Erste Experimente mittels synthetischen ¨ Datenkollektionen zeigen, dass FM-DBSCAN um einen Faktor > 990 schneller als DBSCAN ist und auch wesentlich besser mit der Kollektionsgr¨oße skaliert}, language = {de} }