In Biogasbetrieben werden mengenmäßig mehr oder weniger stark begrenzte Substratvorräte zur Gasoder Stromproduktion eingesetzt. Aus der quantitativen Begrenztheit ergibt sich auf betrieblicher Ebene ein zeitliches Allokationsproblem, da die Substrate unter Berücksichtigung der fallspezifischen technischen, biologischen und wirtschaftlichen Einflussfaktoren im Zeitverlauf möglichst optimal verwertet werden sollen. Der Beitrag beschreibt die Entwicklung eines operativen Planungsmodells auf Basis der Linearen Programmierung sowie die Ergebnisse erster ökonomischer Optimierungskalkulationen unter verschiedenen Preisund Mengenannahmen. Die Ergebnisse dieser Testrechnungen weichen zum Teil erheblich von praktizierten Gewohnheiten zur Anlagenführung ab. 1 Einleitung und Problemstellung Das Erneuerbare-Energien-Gesetz (EEG, letzte Novellierung 2012) und das Stromeinspeisungsgesetz von 1991 bilden die wirtschaftliche bzw. rechtliche Basis für die dezentrale Stromproduktion aus Biogas. Die Zahl der Biogasanlagen ist im letzten Jahrzehnt stark gestiegen und liegt derzeit im Bundesgebiet bei etwa 7.500 Anlagen. Begünstigt wurde der Biogasanlagenboom u. a. auch durch Phasen relativ niedriger Preise für Agrarprodukte, in denen der Anbau von Biogas-Substrat-Pflanzen (vorwiegend Silomais) wirtschaftlich sehr attraktiv war. Durch zunehmende Anlagendichte, steigende Preise für Agrarprodukte, unterschiedliche vertragliche Bindung der Substratlieferanten an die Biogasbetriebe und unterschiedliches Management-Knowhow wurde manche monetäre Annahme zum Anlagenbetrieb inzwischen hinfällig. Biogasbetriebe scheinen betriebswirtschaftlich relativ einfach strukturiert: aus wenigen Produktionsmitteln (im Wesentlichen Gärsubstrate und Hilfsstoffe) entstehen in einer stationären Anlage wenige „Produkte“: Gas, Strom, Wärme und Gärreste. Der Stromabsatz ist mit gesetzlich garantierten Einspeisevergütungen langfristig gesichert; für die übrigen Produkte und eingesetzten Produktionsmittel bestehen jedoch Beschaffungsund Absatzrisiken, Preis-, Mengenund Qualitätsschwankungen sowie Verwertungsabhängigkeiten durch Anlagenund Kapazitätsgrenzen. Obligatorische Substratbeschaffung und Gärrestabgabe verstärken den Wettbewerb um betriebsnahe Flächen; zeitliche Aus-

The present invention may be embodied in a method, and in a related apparatus, for classifying a feature in an image frame. In the method, an original image frame having an array of pixels is transformed using Gabor-wavelet transformations to generate a transformed image frame. Each pixel of the transformed image is associated with a respective pixel of the original image frame and is represented by a predetermined number of wavelet component values. A pixel of the transformed image frame associated with the feature is selected for analysis. A neural network is provided that has an output and a predetermined number of inputs. Each input of the neural network is associated with a respective wavelet component value of the selected pixel. The neural network classifies the local feature based on the wavelet component values, and indicates a class of the feature at an output of the neural network.

This paper summarizes the Bochum/USC face recognition system, our preparations for the FERET Phase III test, and test results as far as they have been made known to us. Our technology is based on Gabor wavelets and elastic bunch graph matching. We brieey discuss our technology in relation to biological and PCA based systems and indicate current activities in the lab and potential future applications.

The neural network objects (NNO) is a C++ class library that contains the most popular standard neural networks together with self-organizing incremental models. The implementation takes full advantage of the OO-paradigm, i.e. all models are derived from the same abstract base classes which deal with the data structures and learning algorithms at one central place. All NNO are persistent: After training they save themselves to permanent store in a computer independent format and may be re-activated for further training or recall cycles, even on a different computer.

IntroductionThe growing cell structure is a generalization of Kohonens feature map [1][3]. Inthe case of supervised learning, the supervised growing cell structure (SGCS) is a neuralnetwork type which combines the properties of the classical feed forward with the selforganizing networks. During training it shows a dynamical structure: the number of nodesis increasing continuously. The network performance is superior to common networkmodels as tests with classical benchmarks have shown...

Incremental artificial neural networks grow when they learn and shrink when they forget. Competitive Hebbian learning generates the network structure by addition and removal of cells and links. Thus, no network design phase is necessary. The growing cell structure and the growing neural gas network may replace common feed-forward networks in a lot of classification and interpolation tasks.