Chardonnay

Slutsatsermöjligt ändå, eftersom det bara behöver göras en gång, men det skulle ändå vållabesvär att med hjälp av experter ta fram alla de värden det handlar om.Än mer problematiskt är det dock med parametern fiendeintention. Storleken på denbetingade sannolikhetstabellen för denna parameter är dynamisk eftersom den ärberoende av antalet möjliga handlingsalternativ. Som tidigare konstaterats bestårdenna tabell av 3 n handlingsalternativ plus alternativet att inte anfalla. Skulle det somett exempel finnas åtta potentiella handlingsalternativ skulle detta därför leda till entabell på mer än 6500 rader. Eftersom antalet handlingsalternativ beror på antalet målsom användaren anser det rimligt att fienden kan tänkas anfalla så är det inte säkert attantalet handlingsalternativ kan bli så stort, men å andra sidan är det också troligt attparametern attraktionskraft egentligen ska kunna anta ett större antal tillstånd än de tretillstånd som kan antas i dagsläget. Om antalet möjliga tillstånd för attraktionskraftökar till exempelvis fem leder detta till att storleken på tabellen istället uppgår till 5 nrader, där faktorn alltså svarar mot antalet tillstånd hos attraktionskraft.Beräkningsmässigt skulle detta antagligen inte leda till annat än att beräkningarna tarlite längre tid, men för att skapa en tabell vars storlek kan förändras dynamiskt pådetta sätt krävs det att värdena i den betingade sannolikhetstabellen kan sättasautomatiskt med någon algoritm, istället för att en människa manuellt ska behöva sittaoch mata in värdena.En annan lösning på problemet skulle kunna vara att börja med betingadesannolikhetstabeller där värdena från början är uniformt fördelade mellan de olikanodernas tillstånd. Genom att använda data från riktiga fall skulle då nätverket kunnalära sig från dessa data och på så sätt förändra sina betingade sannolikheter utifrån vaddet lärt sig. Funktioner för att göra denna typ av lärande finns inbyggda i många av deprogram som finns tillgängliga, däribland Netica. Det problematiska med dennalösning är därför att få tillgång till denna form av data, dock borde det vara möjligt attanvända sig av data från gamla krigsscenarion, som till exempel olika scenarion frånandra världskriget, även om krigsföringen inte ser ut på samma sätt idag. Ett alternativtill detta är att använda den teknik som har beskrivits för att finjustera modellenutifrån insamlad data. Denna typ av justeringar är dock troligtvis svåra att göra på enmodell där de betingade sannolikhetstabellerna är helt felaktiga, utan är istället tänktatt används för de sista små justeringarna av de betingade sannolikhetstabellerna föratt modellen ska bli så bra som möjligt.I detta arbete valdes tidigt en inriktning mot den bayesianska metodiken, vilket ficktill följd att bayesianska nätverk använts för att implementera modellen som skaförutsäga fiendens intentioner. Det är dock viktigt att tillägga att implementationen iGTSIM inte alls är särskilt beroende av att inferensmotorn bygger på bayesianskanätverk. Detta gör att det finns möjlighet att implementera inferensmotorn så att denistället bygger på exempelvis Dempster-Shafer och på så sätt använda mycket av denkod som skrivits i detta arbete för att utvärdera en helt annan teknik än bayesianskanätverk.7.2 Det grafiska verktygetDet grafiska verktyget som kan användas för att spela upp olika händelseförlopp (detvill säga olika scenarion), beräkna sannolikheten för olika handlingsalternativ medhjälp av modellen som fungerar som inferensmotor, samt att samla in data för vadanvändaren bedömer de olika sannolikheterna till, vilket i sin tur kan användas för attfinjustera modellen, fungerar mycket bra. Grunden till verktyget fanns redan frånbörjan i form av GTSIM, men det är också mycket ny funktionalitet som har42