Wyniki wyszukiwania - BazTech

Ograniczanie wyników

Powiadomienia systemowe

Sesja wygasła!

Znaleziono wyników: 2

Liczba wyników na stronie

Wyniki wyszukiwania

Wyszukiwano:
w słowach kluczowych: temporal dependencies

Sortuj według:

Ogranicz wyniki do:

Models of temporal dependencies for a probabilistic knowledge base

Chala O.

ECONTECHMOD : An International Quarterly Journal on Economics of Technology and Modelling Processes

2018

Vol. 7, No 3

53--58

The article presents models of temporal dependences for constructing probabilistic temporal rules in the Markov Logical Networks. Such rules describe the relations between the states of a control object and taking account the possibility of integrating different approaches of management according to the paradigm of «Enterprise 2.0» knowledge sharing. The proposed models define constraints and conditions for changing the states of a control object, which allows predicting possible variants of its behavior in relation to the current state and providing decision support based on a choice of the most likely variants.

Modeling dynamical systems by means of dynamic Bayesian networks

Łupińska-Dubicka A.

Zeszyty Naukowe Politechniki Białostockiej. Informatyka

2012

Z. 9

77-92

Bayesian networks (BNs) are powerful tools for modeling complex problems involving uncertain knowledge. They have been employed in practice in a variety of fields. Their extension to time-dependent domains, dynamic Bayesian networks (DBNs) allow to monitor and update the system as time procedes and predict further behavior of the system. Most practical uses of DBNs involve temporal influences of the first order, i.e., influences between neighboring time steps. This choice is a convenient approximation influenced by the existence of efficient algorithms for first order models and limitations of available tools. This paper presents how to create higher order dynamic Bayesian networks and shows that introducing higher order influences can improve the accuracy of the model. To introduce the formalism to the readers, it describes a hypothetical simplified model based on a DBN.

Sieci Bayesowskie (Bayesian networks, BNs) są popularnym narzędziem do reprezentacji wiedzy w warunkach niepewnosci. Znalazły praktyczne zastosowanie w wielu dziedzinach. Ich rozszerzenie o domenę czasową dynamiczne sieci bayesowskie (dynamic Bayesian networks, DBNs) umozliwiają monitorowanie oraz aktualizację systemów zmieniających się wraz z upływem czasu, a takze predykcję przyszłego stanu takiego systemu. Większość praktycznych zastosowań dynamicznych sieci Bayesowskich bierze pod uwagę tylko zależności pierwszego rzędu, to znaczy, że bieżący stan systemu zale ży tylko od jego stanu w bezpośrednio poprzedzającym go kroku czasowym. Takie założenie jest uproszczeniem, wynikającym najprawdopodobniej z braku efektywnych narzędzi zdolnych obsłużyć modele wyższych rzędów. Niniejszy artykuł przedstawia na przykładzie sposób w jakim tworzy się modele wyższych rzędów oraz pokazuje, wpływy wyższych rzędów mogą zwiększyc jakość modelu.