Volltextdatei(en) vorhanden Open Access https://creativecommons.org/licenses/by/4.0/
DC ElementWertSprache
dc.contributor.advisorKasieczka, Gregor-
dc.contributor.advisorvon Krosigk, Belina-
dc.contributor.authorDharani, Sukeerthi-
dc.date.accessioned2025-02-27T13:43:32Z-
dc.date.available2025-02-27T13:43:32Z-
dc.date.issued2024-
dc.identifier.urihttps://ediss.sub.uni-hamburg.de/handle/ediss/11519-
dc.language.isoende_DE
dc.publisherStaats- und Universitätsbibliothek Hamburg Carl von Ossietzkyde
dc.rightshttp://purl.org/coar/access_right/c_abf2de_DE
dc.subject.ddc530: Physikde_DE
dc.titleLow-Frequency Noise Identification for the Dark Matter Experiment SuperCDMS using Machine Learningen
dc.typedoctoralThesisen
dcterms.dateAccepted2025-02-24-
dc.rights.cchttps://creativecommons.org/licenses/by/4.0/de_DE
dc.rights.rshttp://rightsstatements.org/vocab/InC/1.0/-
dc.type.casraiDissertation-
dc.type.dinidoctoralThesis-
dc.type.driverdoctoralThesis-
dc.type.statusinfo:eu-repo/semantics/publishedVersionde_DE
dc.type.thesisdoctoralThesisde_DE
tuhh.type.opusDissertation-
thesis.grantor.departmentPhysikde_DE
thesis.grantor.placeHamburg-
thesis.grantor.universityOrInstitutionUniversität Hamburgde_DE
dcterms.DCMITypeText-
dc.identifier.urnurn:nbn:de:gbv:18-ediss-126136-
item.creatorOrcidDharani, Sukeerthi-
item.creatorGNDDharani, Sukeerthi-
item.languageiso639-1other-
item.fulltextWith Fulltext-
item.advisorGNDKasieczka, Gregor-
item.advisorGNDvon Krosigk, Belina-
item.grantfulltextopen-
Enthalten in den Sammlungen:Elektronische Dissertationen und Habilitationen
Dateien zu dieser Ressource:
Datei Prüfsumme GrößeFormat  
Dissertation_Sukeerthi_Dharani.pdf9ab84b188ad325bd985569f85862790619.14 MBAdobe PDFÖffnen/Anzeigen
Zur Kurzanzeige

Info

Seitenansichten

Letzte Woche
Letzten Monat
geprüft am null

Download(s)

Letzte Woche
Letzten Monat
geprüft am null
Werkzeuge

Google ScholarTM

Prüfe