Logo des Repositoriums

Auflistung nach Autor:in "Hendriksen, Kathrin"

1 - 2 von 2
  • Konferenzbeitrag
    Milchvieh-Informationsmanagement auf Versuchsbetrieben – Beispielanwendungen und Nutzen für Praxisbetriebe
    (Massendatenmanagement in der Agrar- und Ernährungswirtschaft – Erhebung – Verarbeitung – Nutzung, 2013) Büscher, Wolfgang; Hendriksen, Kathrin; Müller, Ute; Müller, Peter; Behrend, Andreas; Stamer, Eckhard
    An den milchwirtschaftlichen Versuchsbetrieben der Universitäten und anderen Forschungseinrichtungen werden unterschiedlichste wissenschaftliche Fragestellungen bearbeitet. Bei den Forschungsthemen fallen viele zusätzliche Daten an, die oft weit über die üblichen Daten des klassischen Herdenmanagements hinausgehen. Das Kuhdatenmanagementsystem „KuhDaM“ (ein relationales Datenbanksystem) ermöglicht eine Zusammenführung und Vernetzung der anfallenden Daten. Mit Hilfe dieser relationalen Datenbanken auf Betriebsservern können die Informationen zusammen geführt werden, wodurch komplexe Analyse und Auswertungsmethoden möglich sind. Dazu werden unter anderem bewährte Datenstromanalysetechniken direkt in den relationalen Datenbankkontext übertragen, um dort neben der etablierten Analyse historischer Daten auch die Analyse von dynamischen Stromdaten zu ermöglichen. Da langfristig eine hohe Übereinstimmung zwischen Forschungsund Praxiszielen besteht, ist die „Datenstromanalyse“ ein wichtiges Zukunftsthema für die Wissenschaft und Industrie.
  • Konferenzbeitrag
    Recognition of Activity States in Dairy Cows with SVMs and Graphical Models
    (IT-Standards in der Agrar- und Ernährungswirtschaft – Fokus: Risiko- und Krisenmanagement, 2014) Behmann, Jan; Hendriksen, Kathrin; Müller, Ute; Walzog, Sebastian; Büscher, Wolfgang; Plümer, Lutz
    Activity patterns of dairy cattle have received increasing interest in recent years because they promise insights into health state and well-being. The fusion with data from additional sensor signals promises a comprehensive monitoring of activity patterns composed of sequences of single activity states. We used a combination of a Support Vector Machine (SVM), a state of the art classification method, and a Conditional Random Field (CRF). SVMs distinguish single states, whereas CRFs label state sequences under consideration of specified constraints. In a preliminary experiment, a Local Positioning System was combined with a heart rate sensor in order to estimate seven spatiotemporal activity states. The application of the CRF to the SVM result caused a slight increase in accuracy (5%) but a major improvement at the correct determination of long sequences (increasing length of the longest common subsequence from 3481 to 6207 periods). This robust detection of long lying sequences allowed for the unaffected extraction of the resting pulse.