Advertisement

Possibilistische graphische Modelle

  • Jörg Gebhardt
  • Rudolf Kruse
Chapter
  • 44 Downloads
Part of the Fortschritte in der Simulationstechnik im Auftrag der Arbeitsgemeinschaft Simulation (ASIM) book series (XFS)

Zusammenfassung

Graphische Modellierung ist ein wichtiges Werkzeug zur effizienten Repräsentation und Analyse mit Unsicherheit behafteter Information in wissensbasierten Systemen. Während Bayes-Netze und Markov-Netze im Bereich der probabilistischen graphischen Modellierung seit einigen Jahren bekannt sind und in der Praxis erfolgreich eingesetzt werden, ist die auf der Possibilitätstheorie basierende graphische Modellierung eine neue Forschungsrichtung.

Possibilistische Netze bieten eine Alternative zu probabilistischen Netzen, wenn es darum geht, unter Tolerierung approximativer Schlußfolgerungsmechanismen neben Unsicherheit auch NichtPräzision zu modellieren, wie sie häufig in Daten anzutreffen ist, die aus Beobachtungen und Messungen gewonnen werden. In diesem Beitrag geben wir einen Einblick in den semantischen Hintergrund possibilistischer Netze im Vergleich zu probabilistischen Netzen und zeigen den aktuellen Forschungsstand in bezug auf Propagations- und Lernalgorithmen auf.

Preview

Unable to display preview. Download preview PDF.

Unable to display preview. Download preview PDF.

Literatur

  1. [1]
    Andersen, S.K., Olesen, K.G., Jensen, F.V. und Jensen, F.: HUGIN — A shell for building Bayesian belief universes for expert systems. In Proc. 11th Int. Joint Conference on Artificial Intelligence, 1080–1085, 1989Google Scholar
  2. [2]
    Buntine, W.: Operations for learning with graphical models. Journal of Artificial Intelligence Research, 2:159–225, 1994Google Scholar
  3. [3]
    de Campos, L.M., Gebhardt, J. und Kruse, R.: Axiomatic treatment of possibilistic independence. In: C. Froidevaux und J. Kohlas (Eds.): Symbolic and Quantitative Approaches to Reasoning and Uncertainty. Lecture Notes in Artificial Intelligence 946, 77–88, Springer, Berlin, 1995CrossRefGoogle Scholar
  4. [4]
    Dubois, D., Moral, S. und Prade, H: A semantics for possibility theory based on likelihoods. Annual Report, CEC-Esprit III BRA 6156 DRUMS II, Brüssel, 1993Google Scholar
  5. [5]
    Dubois, D. und Prade, H.: Possibility Theory. Plenum Press, New York, 1988zbMATHCrossRefGoogle Scholar
  6. [6]
    Dubois, D. und Prade, H.: Fuzzy sets in approximate reasoning, Part 1: Inference with possibility distributions. Fuzzy Sets and Systems, 40:143–202, 1991MathSciNetzbMATHCrossRefGoogle Scholar
  7. [7]
    Gebhardt, J. und Kruse, R.: A new approach to semantic aspects of possibilistic resoning. In: M. Clarke, R. Kruse und S. Moral (Eds.): Symbolic and Quantitative Approaches to Reasoning and Uncertainty. Lecture Notes in Computer Science 747, 151–160, Springer, Berlin, 1993CrossRefGoogle Scholar
  8. [8]
    Gebhardt, J. und Kruse, R.: On an information compression view of possibility theory. Proc. 3rd IEEE Conf. On Fuzzy Systems, 1285–1288, Orlando, 1994Google Scholar
  9. [9]
    Gebhardt, J. und Kruse, R.: POSSINFERA software tool for possibilistic inference. In: D. Dubois, H. Prade und R. Yager (Eds.): Fuzzy Set Methods in Information Engineering: A Guided Tour of Applications, Wiley, New York, 1996Google Scholar
  10. [10]
    Gebhardt, J. und Kruse, R.: Tightest hypertree decompositions of multivariate possibility distributions. Proc. Int. Conference on Information Processing and Management of Uncertainty in Knowledge-based Systems, 923–928, Grananda, Spanien, 1996Google Scholar
  11. [11]
    Gebhardt, J. und Kruse, R.: Automated construction of possibilistic networks from data. Journal of Applied Mathematics and Computer Science, erscheint 1996Google Scholar
  12. [12]
    Hestir, K., Nguyen, H.T. und Rogers, G.S.: A random set formalism for evidential reasoning. In: LR. Goodman, M.M. Gupta, H.T. Nguyen und G.S. Rogers (Eds.): Conditional Logic in Expert Systems, 309–344, North-Holland, Amsterdam, 1991Google Scholar
  13. [13]
    Hisdal, E.: Conditional possibilities, independence and noninteraction. Fuzzy Sets and Systems, 1:283–297, 1978zbMATHCrossRefGoogle Scholar
  14. [14]
    Klawonn, F., Gebhardt, J. und Kruse, R.: Fuzzy control on the basis of equality relations with an example from idle speed control. IEEE Transactions on Fuzzy Systems, 3:336–350, 1995CrossRefGoogle Scholar
  15. [15]
    Kruse, R., Gebhardt, J. und Klawonn, F.: Foundations of Fuzzy Systems, Wiley, Chichester, 1994Google Scholar
  16. [16]
    Kruse, R., Schwecke, E. und Heinsohn, J.: Uncertainty and Vagueness in Knowledge-based Systems, Serie Artificial Intelligence, Springer, Berlin, 1991zbMATHCrossRefGoogle Scholar
  17. [17]
    Lauritzen, S.L. und Spiegelhalter, D.: Local computations with probabilities on graphical structures and their application to expert systems (with discussion). Journal of the Royal Statistical Society, Serie B, 50: 157–224, 1988MathSciNetzbMATHGoogle Scholar
  18. [18]
    Nguyen, H.T.: On random sets and belief functions. Journal of Mathematical Analysis and Applications, 65:431–542, 1978CrossRefGoogle Scholar
  19. [19]
    Pearl, J.: Probabilistic Reasoning in Intelligent Systems: Networks of Plausible Inference (2. Auflage). Morgan Kaufmann, New York, 1992Google Scholar
  20. [20]
    Pearl, J. und Paz, A.: GraphoidsA graph based logic for reasoning about relevance relations. In: B.D. Boulay et al. (Eds.): Advances in Artificial Intelligence 2, 357–363, North-Holland, Amsterdam, 1987Google Scholar
  21. [21]
    Rasmussen, L.K.: Blood group determination of Danish Jersey cattle in the F-blood group system. Dina Research Rep. 8, Dina Foulum, Tjele, Dänemark, 1992Google Scholar
  22. [22]
    Shafer, G.: A Mathematical Theory of Evidence. Princeton University Press, Princeton, 1976zbMATHGoogle Scholar
  23. [23]
    Shafer, G. und Shenoy, P.P.: Local computation in hypertrees. Working Paper 201, School of Business, University of Kansas, Lawrence, 1988Google Scholar
  24. [24]
    Wang, P.Z.: From the fuzzy statistics to the falling random subsets. In: P.P. Wang (Ed.): Advances on Fuzzy Sets, Possibility and Applications, 81–96, Plenum Press, New York, 1983CrossRefGoogle Scholar
  25. [25]
    Whittaker, J.: Graphical Models in Applied Multivariate Statistics. John Wiley and Sons, New York, 1990zbMATHGoogle Scholar
  26. [26]
    Zadeh, L.A.: The concept of a linguistic variable and its application to approximate reasoning. Information Sciences, 9:43–80, 1975MathSciNetzbMATHCrossRefGoogle Scholar
  27. [27]
    Zadeh, L.A.: Fuzzy sets as a basis for a theory of possibility. Fuzzy Sets and Systems, 1:3–28, 1978MathSciNetzbMATHCrossRefGoogle Scholar

Copyright information

© Friedr. Vieweg & Sohn Verlagsgesellschaft mbH, Braunschweig/Wiesbaden 1997

Authors and Affiliations

  • Jörg Gebhardt
  • Rudolf Kruse

There are no affiliations available

Personalised recommendations