MetadatenVerfasserangaben: | Sebastian Storch, Michael Finkel, Martin Uhrig, Michael Kreißl, Lothar Behringer |
---|
URL: | https://www.tugraz.at/fileadmin/user_upload/tugrazExternal/f560810f-089d-42d8-ae6d-8e82a8454ca9/files/lf/Session_C5/353_LF_Storch_S.pdf |
---|
Titel des übergeordneten Werkes (Deutsch): | 18. Symposium Energieinnovation (EnInnov2024) |
---|
Dokumentart: | Konferenzveröffentlichung |
---|
Sprache: | Deutsch |
---|
Jahr der Erstveröffentlichung: | 2024 |
---|
Datum der Freischaltung: | 01.03.2024 |
---|
Freies Schlagwort / Tag: | Deep Learning; Generative Adversarial Network; Künstliche Intelligenz; Long Short-Term Memory; Mittelspannung; Netzzustandsschätzung; Neuronale Netze; Sensitivitätsanalyse |
---|
Seitenzahl: | 24 |
---|
Bemerkung: | Beitrag: 18. Symposium Energieinnovation, Graz, Österreich, 14.02.2024 - 16.02.2024 |
---|
Open Access: | kostenlos im WWW |
---|
Fakultät: | Fakultät für Elektrotechnik |
---|
DDC-Klassifikation: | 6 Technik, Medizin, angewandte Wissenschaften / 60 Technik |
---|
DFG-Fachsystematik: | Ingenieurwissenschaften / Informatik, System- und Elektrotechnik / Elektrotechnik und Informationstechnik |
---|
Lizenz (Deutsch): | gemäß dem Veröffentlichungsvertrag nach dem deutschen Urheberrecht (UrhG) |
---|
Frontdoor-URL: | https://opus4.kobv.de/opus4-hs-augsburg/1662 |
---|