Thesis - RWTH Aachen University

114 5.3 Verhaltenskoordination
• Die Abhängigkeit führt von den Verhaltensknoten zu den Merkmalsknoten. Hierbei wird davon
ausgegangen, dass eine Anwendbarkeit des Verhaltens vorliegt und aus dieser Aktivierung eine
bestimmte Merkmalskombination folgt. Da die Werte der Merkmalsknoten vorliegen, kann
man über die so genannte diagnostische Inferenz auf die Anwendbarkeit des Verhaltensknotens
schließen [Cha91].
Beide Darstellungen sind, was die Inferenz betrifft, ineinander überführbar. Aus mehreren Gründen
wurde hier die zweite Möglichkeit realisiert:
• Die nötigen cpts sind für die in dieser Arbeit implementierten BBNs im Fall der diagnostischen
Inferenz wesentlich kleiner. Bei beispielsweise vier Merkmalen mit jeweils vier Zuständen und
eine Anwendbarkeit mit zehn Zuständen ergibt sich bei der ersten Art eine cpt mit 4 4 ·10 = 2560
Einträgen für den Verhaltensknoten und vier cpts mit vier Einträgen für die Merkmalsknoten.
Bei der zweiten Art werden für den Verhaltensknoten zehn und für die vier Merkmalsknote
jeweils 4 · 10 = 40 Einträge benötigt.
• Aufgrund der kleineren cpts kann das Training des BBNs effizienter und mit einer schnelleren
Konvergenz erfolgen.
• Das später vorgestellte, für beide Varianten durchgeführte Training zeigt einen geringeren Fehler
bei Abhängigkeiten, die von den Verhaltensknoten zu den Merkmalsknoten führen. Dies
resultiert zu einer besseren Berechnung der Gewichtung eines Verhaltens.
5.3.3 Bestimmung der Wertbereiche der Eingaben und Ausgaben der BBNs
Da die verwendeten Inferenz- und Lernalgorithmen nur für Netze mit rein diskreten Knoten einsetzbar
sind, müssen die kontinuierlichen Einträge des Merkmalsvektors �s ′ i, der als Eingabe für das BBN
vom i-ten Verhalten dient, mit Hilfe von Schwellwerten kj in diskrete Intervalle eingeteilt werden.
Alle Werte innerhalb eines solchen Intervalls (kj, kj+1) werden als gleichwertig angesehen, da sie
dem gleichen diskreten Zustand Zj entsprechen. Um auch mit diskreten Merkmalswerten eine ausreichende
Genauigkeit zu erzielen,wird die Anzahl der Intervalle hoch gewählt. Außerdem werden nicht
äquidistante Abstände, also kj − kj−1 �= kj+1 − kj, verwendet, so dass in kritischen Bereichen die
Auflösung höher ist.
Neben den Eingabenknoten besitzt auch der die jeweilige Anwendbarkeit des Verhaltens repräsentierende
Knoten einen kontinuierlichen Wertebereich. Dieser Bereich wird in zehn diskrete Intervalle
bzw. Zustände der Länge 0.1 von 0 bis 1 unterteilt. Nach der Inferenz ergeben sich zu 1
summierende Wahrscheinlichkeitsangaben für alle Zustände des Verhaltensknotens. Die Gewichtung
des i-ten Verhaltens errechnet sich dann aus der mit der entsprechenden Wahrscheinlichkeitsangabe
gewichteten Summe der Zustandsmittelwerte. Diese Vorgehensweise entspricht der Maximum-
Defuzzifizierungsmethode bei der Fuzzy Logik:
gi = p(βi(�si)|�s ′ i) =
10�
j=1
p(Z = Zj) kj + kj+1
2
Experimente haben gezeigt, dass dies zu einer ausreichenden Genauigkeit in der Berechnung der
Anwendbarkeit des Verhaltens führt [Sch02].
(5.3)