UdZForschung 1-2019

Abgeschlossene FIR-Forschungsprojekte

Bild 3: Darstellung der Trefferrate und Genauigkeit für die betrachteten Dateiendungen

File Extension True Positive False Negative Recall

Precision

pdf jpg doc dwg docx

9166 2335 1533

2827 1627

76,43 58,93 88,92 80,54 85,11 85,48 84,38 74,87 93,81 66,06 11,76 57,89

11,49

13

191 152 113

40,98 20,42 29,38 40,22 35,06 12,09 51,41

629 646 518 189 146 182 109

xlsx

88 35 49 12 56 60 16

xls zip

msg

tif

16,1 4,44

ppt

8

pptx

22

13,92

Klüver, C.: Solving problems of project management with a self enforcing network (SEN). In Computational and Mathematical Organization Theory 18 (2012) 2, S. 175 – 192. Klüver, C.: Self-Enforcing Networks (SEN) for the development of (medical) diagno- sis systems. In: 2016 International Joint Conference on Neural Networks (IJCNN). 24 – 29 July 2016, Vancouver, Canada. IEEE, Piscataway (NJ) 2016. [=2016a]

also die Zusammenarbeit bei komple- xen Bauprojekten unterstützen und der Bauwirtschaft helfen, eine neue Stufe der Digitalisierung zu erreichen. Anspruchsvolle Projekte würdenmit deut- lich weniger Fehlern und damit höherer Termintreue bearbeitet. Die Umsetzung und Akzeptanz innerhalb der Branche ist jedoch nachwie vor eineHerausforderung. Um das volle Potenzial ausschöpfen zu können, müssen Softwaresysteme eine höhere Akzeptanz bei allen Beteiligten in der Bauwirtschaft finden. Die aktuellen Ergebnisse verdeutlichen, dass SEN ein guter Ansatz für die Vorhersage ist. Die ersten Tests zeigten sehr gute Ergebnisse, die in den nächsten Schrittenmit weiteren Daten bestätigt werden müssen, um eine Überanpassung der Parameter zu vermei- den. Es kann jedoch davon ausgegangen werden, dass das zu Beginn formulierte Problemmit SEN als Vorhersagewerkzeug gelöst werden kann. Rue pp e l , U.: Ve r ne t z t- koope ra t i ve Planungsprozesse im Konstruk tiven Ingenieurbau. Springer, Berlin [u. a.] 2007. Guenthner, W. A., Borrmann, A.: Digitale Baustelle – innovativer Planen, effizienter ausführen. Springer, Heidelberg [u. a.] 2011. Literatur

with a cue validity factor. In: 2016 IEEE Symposium Series on Computational Intelligence (SSCI). 6 – 9 Dec . 2016, Athens, Greece. Ed.: IEEE Computational Intelligence Society, 2016. [=2016b] Klüver, C.; Klüver, J.: Self-organized learning by self-enforcing networks. I n I n t e r n a t i on a l Wo r k- Con f e r e n c e on Ar t i f i c i a l Neu ra l Ne two r k s . I n : [Proceedings] International Work-Con- ference on Artificial Neural Networks IWANN 2013: Advances in Computational Intelligence, S. 518 – 529.

Klüver, C.: Steering clustering of medical data in a Self-Enforcing Network (SEN)

Projekttitel: CCS

Projekt-/Forschungsträger: EU; Projektträger Jülich (PtJ) – Forschungszentrum Jülich GmbH; Energie Technologie Nachhaltigkeit (ETN) amForschungszentrumJülich imAuftrag des Landes NRW

Förderkennzeichen: IT-1-1-024c/EFRE-0800472

Projektpartner: Georg Heeg eK; Ingenieurbüro für Bauwesen Schmidt GmbH

Internet: ccs.fir.de

58 UdZ – Unternehmen der Zukunft 2/2018

Forschu g – Unternehme der Zukunft 1/2019