Chardonnay

Metod4.2 Implementation av modellen och det grafiska gränssnittetAtt lösningen på detta delmål åstadkoms genom en implementation är ganskasjälvklart, med tanke på delmålets namn. Det finns dock flera sätt att göra enimplementation av en modell som bygger på bayesiansk inferens ochhypotesprövning. Ett sätt som tidigare diskuterats i arbetet är att implementeramodellen som ett bayesianskt nätverk. Fördelen med detta sätt är bland annat att det ären lösning på problemet med beräknings- och lagringskapacitet som identifierades ikapitel 3.1. Starr och Shi (2004) ser flera andra fördelar med att använda justbayesianska nätverk vid beslut under osäkerhet inom markstrid, bland annat att de ärmycket snabba när de väl konstruerats och för att nätverket ibland kan dra inferensersom är för komplicerade att göra för den mänskliga hjärnan. Som ett exempelområdeför bayesianska nätverk nämner Starr och Shi (2004) just förutsägelse av vad fiendenkommer att göra i framtiden baserat på bland annat information om doktrin, miljö,logistik, eldunderstöd och truppstyrkor. I detta arbete kommer inte extra informationsom kan lagras i databaser, såsom fiendens doktrin, taktik med mera, att beaktas mendäremot spelar faktorer såsom miljö (i form av vilka vägar som vägnätet erbjuder)samt fiendens position och typ av förband stor roll för de olika alternativens utfall.Lindberg (2002) beskriver ett annat tillvägagångssätt för hur den bayesianskainferensmodellen kan implementeras, vilket beskrivs utförligare av Jaynes (2003).Tillvägagångssättet bygger på att istället för att beräkna sannolikheten för att enenskild hypotes ska inträffa så beräknas sannolikheten för att hypotesen ska inträffajämfört med sannolikheten för att alla övriga hypoteser ska inträffa. Det värde som dåfås fram kallas för oddset för hypotesen. Lindberg (2002) nämner två fördelar med attanvända sig av odds: att den svårsatta sannolikheten p(D) kan förkortas bort, samt attrisken med att vilseledas av den så kallade lotteriprincipen reduceras, det vill säga attbetydelsen för värderingen av en enskild hypotes riskerar att urvattnas om hypotesenska jämföras med en stor mängd alternativa hypoteser (Lindberg, 2002).Valet har fallit på att implementera modellen som ett bayesianskt nätverk då dennatyp av lösningar har visat sig fungera tidigare inom det militära området (se tillexempel Ivansson, 2002; Runqvist, 2004) och är relativt lätta att förstå (Heckerman,1999). En annan stor fördel med bayesianska nätverk är att mängden beräkningar somkrävs reduceras kraftigt, jämfört med många andra sorter av sannolikhetsberäkningar.När det gäller att förse modellen med ett grafiskt användargränssnitt har valet fallit påatt implementera modellen som en integrerad komponent i GTSIM (Ground TargetSimulator) En utförlig beskrivning av vad GTSIM är ges i kapitel 5.3, men kortfattatkan det beskrivas som ett verktyg som fusionerar samman data från olika sensorer ochutifrån detta skapar en gemensam lägesbild över var olika förband befinner sig.Genom att lägga till funktionalitet till GTSIM i form av skapandet och inläsning avmål (vilka representerar fiendens olika handlingsalternativ) samt integrering ochimplementation av modellen byggd i form av ett bayesianskt nätverk kan verktygetanvändas för att skapa olika typer av scenarion där fiendens handlingsalternativ finnsrepresenterade, och utifrån detta beräkna sannolikheten för de olikahandlingsalternativen.Det framtagna verktyget ska utöver att användas för att prediktera fiendeintentionenmed hjälp av den bayesianska inferensmotorn även kunna användas för att förbättramodellen/inferensmotorn. Genom att lägga till stöd för insamling av data över hur enexpert skulle bedöma sannolikheten för de olika handlingsalternativen kan dessa dataanvändas för att finjustera modellen. En utförligare beskrivning av detta ges i kapitel4.3.17