Wyniki wyszukiwania - BazTech

Ograniczanie wyników

Znaleziono wyników: 2

Liczba wyników na stronie

Wyniki wyszukiwania

Wyszukiwano:
w słowach kluczowych: zasada nierozróżnialności

Sortuj według:

Ogranicz wyniki do:

Surmounting Information Gaps Using Average Probability Density Function

Piegat A., Landowski M.

Pomiary Automatyka Kontrola

2009

R. 55, nr 10

793-795

In many problems we come across the lack of complete data. The information gap causes that the task seems to be unsolvable. In many cases where the Bayes' networks or Bayes' rule are used, we come across the information gap which is the lack of a priori distribution. The article presents the methods of identifying the average probability density distribution when we know the range of variable and we have some quality knowledge on the distribution. The obtained average probability density distribution minimizes medium squared error. According to the authors' knowledge the average probability density distribution is the novelty in the word literature.

W wielu rzeczywistych problemach często spotykamy się z brakiem danych koniecznych do ich rozwiązania. Dotyczy to zwłaszcza zadań projektowania nowych systemów technicznych, ale i też ekonomicznych, medycznych, agrarnych i innych. Istnienie luk w problemie powoduje, że zadanie wydaje się nierozwiązywalne. W takiej sytuacji, aby w ogóle rozwiązać postawiony problem konieczne jest zaangażowanie ekspertów, którzy są często w stanie podać przybliżone oszacowanie danej brakującej do rozwiązania problemu. Niestety, oszacowania eksperckie zwykle nie są precyzyjnymi liczbami, lecz przedziałami możliwych wartości zmiennej lub też probabilistycznymi rozkładami możliwej wartości brakującej zmiennej. Zatem, aby rozwiązać dany problem konieczne jest wykonywanie operacji na rozkładach gęstości prawdopodobieństwa. Jednym z narzędzi służących do tego celu jest reguła Bayesa. Jest ona np. podstawą do przetwarzania informacji w sieciach wnioskowania probabilistycznego zwanych skrótowo sieciami Bayesa. Zwykle luką informacyjną w tych sieciach jest brak rozkładu a priori zmiennej koniecznego do obliczenia rozkładu a posteriori. W takiej sytuacji, jako rozkład a priori stosowany jest zwykle rozkład równomierny reprezentujący kompletną niewiedzę dotyczącą jakościowych cech rozkładu. Jednak taką wiedzę często posiada ekspert problemu. Artykuł prezentuje metodę identyfikacji przeciętnego rozkładu gęstości prawdopodobieństwa zmiennej dla przypadku, gdy ekspert zna nie tylko zakres możliwych wartości zmiennej, ale także posiada pewną wiedzę o jakościowych cechach rozkładu. Otrzymany z użyciem wiedzy eksperta przeciętny rozkład gęstości prawdopodobieństwa zmniejsza znacznie ryzyko popełnienia katastrofalnie dużych błędów w rozwiązywaniu problemów z lukami informacyjnymi. Według wiedzy autorów koncepcja przeciętnego rozkładu gęstości prawdopodobieństwa jest nowością w literaturze światowej.

Pokonywanie luk informacyjnych - bezpieczne rozkłady gęstości prawdopodobieństwa

Piegat A., Landowski M.

Metody Informatyki Stosowanej

2007

nr 2(Tom 12)

113-126

W artykule przedstawiono metodę zmiennej granulacji, która umożliwia obliczenie przeciętnych rozkładów jakie mogą wystąpić w problemie. Zależnie od wiedzy jaką posiadamy o problemie możemy uzyskiwać coraz bardziej wiarygodne rozkłady i rozwiązania problemów. Choć bezpieczne, przeciętne rozkłady wypełniające lukę informacyjną nie dają w ogólnym przypadku 100% pewnego i dokładnego rozwiązania problemu, gdyż w przypadku luki informacyjnej jest to niemożliwe, to rozwiązanie uzyskane z ich pomocą cechuje się minimalnym błędem względem wszystkich możliwych rozwiązań i dlatego umożliwia podejmowanie racjonalnych decyzji

Human intelligence allows for solution of problems with partial ignorance. If artificial intelligence has to exceed the human one it should also be able to surmount ignorance. The paper presents an effective method of overcoming information gaps in the sense of lack of knowledge about values of variables that are necessary to solve a problem. Information gaps may seem insurmountable. However, they can be partly surmounted owing to the method of plausible assumptions (hypothesis). If some values of variables in a problem, are unknown we can use the general, qualitative knowledge about them and calculate average, safe distributions of probability of their values and in this way get a plausible solution of the problem.