@phdthesis{Cares2022,
  type      = {Bachelor Thesis},
  author    = {Tim Cares},
  title     = {Spektrogrammanalyse zur Erkennung au{\"s}erirdischer Signale mittels Convolutional und Recurrent Neural Networks},
  doi       = {10.25968/opus-2346},
  url       = {http://nbn-resolving.de/urn:nbn:de:bsz:960-opus4-23465},
  pages     = {77},
  year      = {2022},
  abstract  = {Bis heute ist v{\"o}llig unbekannt, ob wir allein im Universum sind. Um auf dieses Thema eine Antwort zu finden, {\"u}berpr{\"u}ft diese Bachelorarbeit, ob Convolutional (CNN) und Recurrent Neural Networks (RNN) f{\"u}r die Erkennung au{\"s}erirdischer Signale geeignet sind. Das Ziel war dabei, in einem Datensatz bestehend aus Spektrogrammen mehr als 50\% aller au{\"s}erirdischer Signale zu erkennen, da nur so ein Neuronales Netzwerk ein besseres Resultat als eine zuf{\"a}llige Klassifikation liefert, bei der im Mittel 50\% aller Signale erkannt werden. Dabei zeigte sich, dass sich mit beiden Varianten der Neuronalen Netzwerke bis zu 90\% aller Signale erkennen lassen, die Vorhersagen von CNNs allerdings verl{\"a}sslicher sind. RNNs bieten hingegen aufgrund ihrer geringeren Gr{\"o}{\"s}e einen deutlich leichtgewichtigeren Ansatz und f{\"u}hren zu einer signifikanten Speicherersparnis. Daraus folgt, dass Neuronale Netzwerke bei der Suche nach au{\"s}erirdischem Leben im Universum helfen k{\"o}nnen, um die Frage „Sind wir allein im Universum?“ endg{\"u}ltig zu beantworten.},
  language  = {de}
}