Virtuelle Stochastische Sensoren für die Verhaltensrekonstruktion von Partiell Beobachtbaren Diskreten oder Hybriden Stochastischen Systemen

Viele realweltliche Probleme lassen sich durch diskrete oder hybride stochastische Systeme beschreiben; z.B. Produktionssysteme oder Krankheitsverläufe. Deren Modellierung und Simulation ist sehr gut möglich, aber nur, wenn sie komplett beobachtbar sind. Oft sind aber nur bestimmte Ausschnitte oder Ausgaben des Systems beobachtbar, wie die Symptome eines Patienten. Wenn diese Beobachtungen dann noch stochastisch von den Zuständen des bereits stochastischen Prozesses abhängen, wird die Verhaltensrekonstruktion schwierig. Unsere verborgenen nicht-Markovschen Modelle können solche partiell beobachtbaren Systeme abbilden. Wir haben auch effiziente Algorithmen die typische Fragestellungen für diese Modellklasse beantworten können, z.B. kann ein virtueller stochastischer Sensor aus einen Beobachtungsprotokoll rekonstruieren, welches spezifische Systemverhalten dieses hervorgebracht hat, und mit welcher Wahrscheinlichkeit. Oder es kann auf das wahrscheinlichste Modell geschlossen werden, wenn mehrere möglich sind. Derzeitig werden verschiedene Anwendungsszenarien ausgelotet, beispielsweise die Analyse von Wartungs- und Lagerprozessen mit Hilfe von an neuralgischen Punkten aufgenommenen RFID Daten. Weiterhin ist eine Anwendung in Planung, die die Früherkennung von Demenz anhand einfacher Sensoren im Lebensumfeld von älteren Menschen ermöglichen soll.

Virtual Stochastic Sensors for Behavior Reconstruction of Partially Observable Discrete and Hybrid Stochastic Systems

Many real-world problems can be described by discrete or hybrid stochastic systems, e.g. production systems or disease development. Modelling and simulating such systems is easily possible if they are completely observable. However, often only certain outputs or parts of the system are observable, such as the symptoms of a particular patient. Behavior reconstruction becomes really difficult, if these outputs depend stochastically on the states of an already stochastic process. Our Hidden non-Markovian Models can model such partially observable systems. We also have efficient algorithms that can answer typical questions for this model class. A Virtual Stochastic Sensor can reconstruct the system behavior that produced a given observation protocol and its probability. Or we can determine the most likely model out of several possible. Currently we are testing several application scenarios, for example the analysis of maintenance and storage processes using RFID data taken at central positions. Furthermore we are planning to research the application to early dementia detection using simple sensor readings from the home environment of elderly people.