Thesis - RWTH Aachen University
Thesis - RWTH Aachen University
Thesis - RWTH Aachen University
Erfolgreiche ePaper selbst erstellen
Machen Sie aus Ihren PDF Publikationen ein blätterbares Flipbook mit unserer einzigartigen Google optimierten e-Paper Software.
208 C.7 Bayesian Belief Networks<br />
C.7 Bayesian Belief Networks<br />
Ein Bayesian Belief Network (BBN) ist ein gerichteter azyklischer Graph (Directed Acyclic Graph -<br />
DAG), der die Verbundwahrscheinlichkeit eines Ereignisses, das von mehreren Zufallsvariablen abhängt,<br />
effizient repräsentiert [Cha91]. Bestandteile eines BBN sind Knoten, die Zufallsvariablen darstellen,<br />
und gerichtete Kanten, die Abhängigkeiten zwischen den Knoten modellieren. Die Zufallsvariablen<br />
können sowohl unendlich viele Werte mit einer kontinuierlichen Wahrscheinlichkeitsverteilung<br />
oder eine endliche Anzahl von Zuständen mit einer diskreten Wahrscheinlichkeitsverteilung<br />
annehmen. Häufig wird auch der Sonderfall eines boolschen Knotens mit zwei diskreten Zuständen<br />
verwendet.<br />
Eine Zufallsvariable hängt von den Zuständen seiner Vorgängerknoten im Graphen ab. Besitzt sie<br />
keinen Vorgänger, ist sie stochastisch unabhängig. Die zugehörige bedingte Wahrscheinlichkeitsverteilung<br />
wird im kontinuierlichen Fall als Funktion und im diskreten in der so genannten Conditional<br />
Probability Table (cpt) angegeben. Diese enthält für jede mögliche Kombination der Zustände der<br />
Vorgängerknoten die entsprechenden Wahrscheinlichkeiten für die Zustände des betreffenden Knotens.<br />
Damit lässt sich nach Heckerman [Hec95] ein BBN für eine Menge von Variablen {Z1, . . . , Zn}<br />
definieren durch (Abbildung C.18):<br />
• eine Netzwerkstruktur, welche die Abhängigkeiten zwischen den Zufallsvariablen beschreibt,<br />
und<br />
• eine Menge von bedingten Wahrscheinlichkeiten, welches einer cpt pro Knoten entspricht.<br />
p(C|A,B)<br />
p(C|−A,B)<br />
p(C|A,−B)<br />
p(C|−A,−B)<br />
p(A) p(B) p(D)<br />
A B D<br />
cpt Knoten C<br />
cpt Knoten E<br />
C E<br />
p(E|B,D)<br />
p(E|−B,D)<br />
p(E|B,−D)<br />
p(E|−B,−D)<br />
Abbildung C.18: Beispiel eines Bayesian Belief Networks<br />
Im Allgemeinen wird die Wahrscheinlichkeit für ein Verbundereignis mit der Kettenregel berechnet:<br />
p(Z1, Z2, . . . , Zk) = p(Z1)<br />
k�<br />
p(Zi|Zi−1, . . . , Z1) (C.73)<br />
Unter der Berücksichtigung, dass die bedingte Wahrscheinlichkeit eines Knotens nur von den Wahrscheinlichkeiten<br />
seiner direkten Vorgänger P(Zi) abhängt, wobei P(Zi) die Menge der Vorgänger<br />
von Knoten i darstellt, ergibt sich eine vereinfachte Bestimmung der Wahrscheinlichkeit zu:<br />
p(Z1, Z2, . . . , Zk) =<br />
i=2<br />
k�<br />
p(Zi|P(Zi)) (C.74)<br />
i=1