Künstliche Intelligenz fur ortsbasierte Dienste - Lehrstuhl für Mobile ...
Künstliche Intelligenz fur ortsbasierte Dienste - Lehrstuhl für Mobile ...
Künstliche Intelligenz fur ortsbasierte Dienste - Lehrstuhl für Mobile ...
Sie wollen auch ein ePaper? Erhöhen Sie die Reichweite Ihrer Titel.
YUMPU macht aus Druck-PDFs automatisch weboptimierte ePaper, die Google liebt.
N 2<br />
W<br />
N 1<br />
V<br />
Abbildung 5: Der vermutete Punkt V ist durch das Einbeziehen von drei Nachbarn(N1, N2, N3)<br />
näher am tatsächlichen Punkt (W) als einer der Nachbarn <strong>für</strong> sich. Quelle: [BP00]<br />
3.3 Hidden Markov Model (HMM)<br />
Sonnig Regen<br />
Bevölkt<br />
Abbildung 6: Markov Model des Wetters. Quelle: [Rab89]<br />
Das Hidden Markov Model (HMM) ist ein Werkzeug der Statistik, welches bei Lernproblemen<br />
sehr häufig zum Einsatz kommt. Die erste große Anwendung fand das Modell bei<br />
der Spracherkennung, wo es darum ging, einen Audio-Datenfluss zu analysieren und dabei<br />
Sprache von Störgeräuschen zu unterscheiden. Ein System sollte also lernen was Sprache<br />
ist und was nicht.<br />
Das HMM basiert auf dem Markov Modell, welches ein Zustandsmodell beschreibt bei<br />
dem zu jedem Zeitpunkt eine gewisse Wahrscheinlichkeit besteht, dass ein Zustand in<br />
einen anderen übergeht. Ein Beispiel hier ist das Wetter. Zu den Zuständen Regen, Wolken<br />
und Sonne würde das Model beschreiben wie die Wahrscheinlichkeiten sind, dass auf<br />
Regen Sonne folgt, auf Wolken Sonne, und so weiter, wie in Abbildung 6 zu sehen.<br />
N3<br />
N 4<br />
N 5