TU München - Fakultät für Informatik
Software- and Systems Engineering Research Group

  Home  |  Forschung/Kompetenz  |  Lehre  |  Personen  |  Publikationen  |  Abschlussarbeiten  |  Sonstiges  |  Kontakt  | 

Agenda

Es sprechen Studenten über ihre abgeschlossenen Diplomarbeiten und Systementwicklungsprojekte.

Am Mittwoch, 06.04.16, ab 14:00 Uhr, im Raum 00.11.038 (John v. Neumann):

Automatische Erkennung von komplizierten Sätzen in Anforderungsdokumenten

Requirements Engineering ist ein wichtiger Bestandteil in der Entwicklung eines Computersystems. Es ist weitverbreitet, die im Requirements Engineering erhobenen Anforderungen in natürlicher Sprache zu beschreiben und zu dokumentieren. Die meisten Aktivitäten des Softwareentwicklungsprozesses basieren auf diesen Anforderungsdokumenten. Deshalb kann eine schlechte Qualität dieser Dokumente massive Kosten- und Zeitexplosionen des Softwareprojekts zur Folge haben. Ein Grund für schlechte Qualität von Anforderungsdokumenten ist, dass in den Dokumenten zum Teil sehr schwer zu verstehende komplizierte Sätze zu finden sind. Komplizierte Sätze können dazu führen, dass sie falsch verstanden werden oder dass der Leser lange braucht, um den Satz zu verstehen. Um diese komplizierten Sätze zu vermeiden, ist es wichtig, diese erst einmal zu erkennen. Das Ziel dieser Arbeit ist es, im Kontext von Anforderungsdokumenten Faktoren (Smells) zu finden, die einen Satz kompliziert und schwer verständlich machen. Diese Faktoren können dann genutzt werden, um eine automatische Erkennung von komplizierten Sätzen in Anforderungsdokumenten zu implementieren. Um dies zu erreichen, starten wir mit einer Literaturstudie in den Bereichen des Requirements Engineerings und der Psycholinguistik. Ziel dieser Literaturstudie ist es, die verschiedenen Aspekte und Faktoren schwerer Verständlichkeit in natürlicher Sprache zu ermitteln. In einem zweiten Schritt führen wir dann ein kontrolliertes Experiment durch, das die Relevanz dieser Aspekte im Kontext des Requirements Engineering untersucht. Die Ergebnisse des Experiments zeigen, dass die Faktoren Attachment Ambiguity, Füllworte und eingeschobene Nebensätze dazu führen, dass ein Satz für das menschliche Gehirn kompliziert und schwer zu verstehen ist. Im Anschluss beschreiben wir dann noch, wie diese Faktoren automatisch unter Zuhilfenahme von natural language processing (NLP)-Techniken erkannt werden können.

User centric feedback framework for Smart Energy Systems

Smart energy systems (SES) can help saving energy by giving feedback and advice to the user which requires to focus on the user as the major part in their functions. Currently, feedback for the user of SES applications mostly consists of showing user the current energy consumption and the money they saved (or spent more) during a daily or monthly fashion. Some systems also show user the energy consumption of other people (e.g. neighbors) to give the user additional information on their own behavior and to motivate them to save energy. Fortiss Smart Energy Living Lab demonstrator is set up in an office environment allows office users to monitor the energy consumption status using smart devices (e.g. sensors for brightness, temperature, light and window status, as well as energy meters) and control the devices (e.g. controlling the lights, air condition and blinds ). To further extend the user involvement, the system should be able to provide feedback on consumption based on the user’s interaction with the system. This feedback could be a recommendation with the objective of being efficient in usage of energy based on the single or a group of users’ behavior. To this end, the proposed framework tries to provide more efficient and energy saving feedback by observing user behavior, defines as user interaction with devices. User’s interactions analyzed by data mining algorithms and introduce user’s preference pattern based on historical data. The obtained pattern is considered as the user’s comfort level. Furthermore, pattern matching algorithms can predict user’s behavior by analyzing the historical data and the help of weather forecasting API. In addition, optimized energy consumption pattern for each user can be obtained by comparing users’ energy consumption in the similar conditions. By having user’s comfort level, optimized energy consumption patterns, and user prediction behavior, a suitable feedback according to the time, sensors and actuators status will be provided. Proposed feedback can be accepted, rejected or adjusted by user which will trigger feedback adaption service. This part of the component works based on machine learning algorithms which helps the framework to learn from user behavior and propose more efficient feedback. The framework is developed in java under the OSGi framework as Recommender system in the SMG2.0 middleware at Fortiss Smart Energy Living Lab demonstrator. The existing demonstrator at Fortiss already provides basic functionalities and components such as, the rule system component as business rule management system, analyzer component to find the correlation between devices and the gamification component to motivate users.