Logo des Repositoriums

Auflistung nach Schlagwort "Support Vector Machine"

1 - 2 von 2
  • Konferenzbeitrag
    Extrahierung von Anforderungen aus natürlich-sprachlichen Lastenheften: Was erschwert eine KI-basierte Extrahierung?
    (Softwaretechnik-Trends Band 42, Heft 1, 2022) Gräßler, Iris; Preuß, Daniel; Pottebaum, Jens
    Bei der Entwicklung komplexer technischer Systeme werden ca. 80 % der Benutzeranforderungen in natürlich-sprachlichen Anforderungsdokumenten dokumentiert. In der Software-Entwicklung werden Techniken des Natural Language Processing (NLP) für Requirements Engineering-Aufgaben angewendet, z. B. für die Extrahierung von Anforderungen aus Lastenheften. Ansätze existieren auch für die KI-basierte Extrahierung von Anforderungen. Hintergrund des Beitrags ist unter anderem ein Ansatz, in dem Text-Segmentierung und Klassifizierung durch Ansätze des maschinellen Lernens angewendet wurden. Auf Basis eines Vergleichs mit LSTM- und BERT-Modellen wurde im Beispiel eine Support Vector Machine eingesetzt. Ziel dieses Beitrags ist es, Aspekte aufzuzeigen, die eine KI-basierte Extrahierung erschweren. Zukünftige Ansätze zur KI-basierten Extrahierung von Anforderungen aus Lastenheften können diese Aspekte systematisch adressieren.
  • Konferenzbeitrag
    Machine Learning on the estimation of Leaf Area Index
    (42. GIL-Jahrestagung, Künstliche Intelligenz in der Agrar- und Ernährungswirtschaft, 2022) Afrasiabian, Yasamin; Mokhtari, Ali; Yu, Kang
    The Leaf Area Index (LAI) is an important indicator in agriculture that can be considered a reliable plant growth parameter. The objective of this study is to make use of two different machine learning algorithms including Support Vector Machine (SVM), and Random Forest (RF) to improve the estimation of leaf area index using multispectral, thermal, and hyperspectral data. The results showed that RF was the best model to improve the accuracy of the LAI estimation compared to the simple linear regression (previous study) and SVM (R2 = 0.91 for RF and R2 = 0.87 for SVM). To evaluate the effects of spectral portions on LAI estimation without calculating the spectral indices, (SI) we inputted each pair of spectral bands for training and testing both RF and SVM. It was found that the best correlation was lower compared to use SIs. However, R2 variations were more homogeneous across the whole spectrum, which suggests that even by using multispectral broadband bands in RF and SVM, a good correlation will be achieved.