Advertisement

Rückkopplungen in einer modellbasierten Diagnostikshell

  • Klaus Goos
Conference paper
Part of the Informatik-Fachberichte book series (INFORMATIK, volume 251)

Kurzfassung

Die Lösung eines Diagnoseproblems in einem Expertensystem für modellbasierte Diagnostik unterteilt sich in zwei Schritte. Zuerst werden Verdachtsdiagnosen erzeugt, die in einem zweiten Schritt durch eine Simulation überprüft werden. Zur Überprüfung stellen wir einen Mechanismus mit einer effizienten Behandlung von Rückkopplungen vor. Dieser Mechanismus integriert einen Ansatz zur geschlossenen und einen zur iterativen Berechnung von Rückkopplungen, wodurch auch Modelle mit einer großen Anzahl von Rückkopplungen beherrscht werden. Mittels Generierung von Abstraktionsebenen durch Zusammenfassen von Beziehungen im Fehlermodell zeigen wir, wie auch bei komplexeren Modellen eine effiziente Verdachtsgenerierung möglich ist. Realisiert wurde beides in FEMO, einer Expertensystemshell zur Aufnahme kausaler Fehlermodelle.

Preview

Unable to display preview. Download preview PDF.

Unable to display preview. Download preview PDF.

Literatur

  1. [Davis84]
    Davis, R.: Diagnostic Reasoning Based on Structure and Function, AI-Journal 24, 347–411, 1984Google Scholar
  2. [de Kleer87]
    de Kleer, J., Williams, B.:Diagnosing Multiple Faults, Al-Journal 32, 97–139,1987zbMATHGoogle Scholar
  3. [Dörfler73]
    Dörfler, W., Mühlbacher, J.: Graphentheorie für Informatiker, Sammlung Göschen Band 6016, Walter de Gruyter 1973Google Scholar
  4. [Eshelsman88]
    Eshelsmann, L.: MOLE: A Knowledge Acquisition Tool For Cover- and Differentiate Systems, in: Marcus, S. (ed.): Automating Knowledge Acquisition for Expert Systems, Kluwer Academic Publishers, 1988Google Scholar
  5. [Goos89]
    Goos, K.: FEMO — Ein Expertensystemrahmen zur Aufnahme kausaler Fehlermodelle, Diplomarbeit, Universität Karlsruhe, November 1989Google Scholar
  6. [Guckenbiehl89]
    Guckenbiehl, T., Schäfer-Richter, G.: MODISC: Eine Anwendung Simulations- basierter Diagnose, MODISC-Bericht, September 1989, FHG-IITB, interner BerichtGoogle Scholar
  7. [Kahn88]
    Kahn, G.: MORE: From Observing Knowledge Engineers to Automation Knowledge Acquisition, in: Marcus, S. (ed.): Automating Knowledge Acquisition for Expert Systems, Kluwer Academic Publishers, 1988Google Scholar
  8. [Long86]
    Long, W., Niami, S., Criscitiello, M., Kurzrok, S.: Reasoning about Therapy from a Physiological Model, Medinfo-86, 1986Google Scholar
  9. [Mason56]
    Mason, Samuel J.: Feedback Theory — Further Properties of Signal Graphs, Proceedings of the IRE, 44 920–926,1956CrossRefGoogle Scholar
  10. [Patil82]
    Patil, R., Szolovits, P. Schwartz, W.: Modelling Knowledge of the Patient in Acid-Base and Electrolyte Disorders, in Szolovits, P. (ed.): Artificial Intelligence in Medicine, A AAS Selected Symposium 51, 1982Google Scholar
  11. [Puppe88]
    Puppe, F.: Einführung in Expertensysteme, Springer 1988zbMATHGoogle Scholar
  12. [Pople82]
    Pople, H.: Heuristic Methods for Imposing Structure on Ill-Structured Problems, in Szolovits, P. (ed.): Artificial Intelligence in Medicine, AAAS Selected Symposium 51, 1982Google Scholar
  13. [Wahrshall62]
    Warshall, S.: A Theorem on Boolean Matrices, J. Assoc. Comput. Mach. 9, 11–12 1962MathSciNetzbMATHGoogle Scholar

Copyright information

© Springer-Verlag Berlin Heidelberg 1990

Authors and Affiliations

  • Klaus Goos
    • 1
  1. 1.Institut für Logik, Komplexität und DeduktionssystemeUniversität KarlsruheKarlsruheDeutschland

Personalised recommendations