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.