Zusammenfassung
MYCIN und fast alle anderen bisher entwickelten Expertensysteme sind Vertreter des sogenannten „shallow reasoning“. In diesen Expertensystemen sind Fehler-Ursache-Beziehungen in Form von heuristischen Regeln oder ähnlichen Repräsentationsformen dargestellt. Die Funktion und Struktur des zu diagnostizierenden Systems ist nicht formal repräsentiert. Obwohl dieser Ansatz teilweise in der Lage ist, das Verhalten eines Experten nachzuahmen, liegen die Schwierigkeiten vor allem in der Erweiterbarkeit, Korrektheit und Vollständigkeit der heuristischen Wissensbasis. In größeren Systemen ist es im allgemeinen schwierig, die Diagnose-Wissensbasis zu überblicken bzw. zu erweitern, da viele Regeln voneinander abhängen und daher der Effekt einer neu eingefügten Regel schwer zu beurteilen ist.
“When you have eliminated the impossible, whatever remains, however improbable, must be the truth.”
— Sherlock Holmes. The Sign of the Four.
This is a preview of subscription content, log in via an institution to check access.
Access this chapter
Tax calculation will be finalised at checkout
Purchases are for personal use only
Preview
Unable to display preview. Download preview PDF.
Literatur
Randall, D. (1984): Diagnostic reasoning based on structure and behaviour. Artificial Intelligence 224: 347–410.
Randall, D., Hamscher, W. (1988): Model-based reasoning: Troubleshooting. In: Exploring Artificial Intelligence, chapter 8. Morgan Kaufmann, Los Altos, LA, pp. 297–346.
Kleer, J. de (1986): An assumption-based TMS. Artificial Intelligence 28: 127–162.
Kleer, J. de, Williams, B. C. (1987): Diagnosing multiple faults. Artificial Intelligence 32: 97–130.
Kleer, J. de, Williams, B. C. (1989): Diagnosis with behavioral modes. In: Proceedings of the International Joint Conference on Artificial Intelligence, Detroit, August 1989. Morgan Kaufmann, Los Altos, CA, pp. 1324–1330.
Friedrich, G., Gottlob, G., Nejdl, W. (1990): Physical impossibility instead of fault models. In: Proceedings of the National Conference on Artificial Intelligence, Boston, August 1990.
Friedrich, G., Nejdl, W. (1990): MOMO — Model-based diagnosis for everybody. In: Proceedings of the IEEE Conference on Artificial Intelligence Applications, Santa Barbara, March 1990.
Forbus, K. D. (1988): Qualitative physics: Past, present, and future. In: Exploring Artificial Intelligence, chapter 7. Morgan Kaufmann, Los Altos, CA, pp. 239–296.
Genesereth, M. R. (1984): The use of design descriptions in automated diagnosis. Artificial Intelligence 24: 411–436.
Manthey, R., Bry, F. (1987): A hyperresolution-based proof procedure and its implementation in Prolog. In: Proceedings of the German Workshop on Artificial Intelligence, pp. 221–230.
Raiman, O. (1989): Diagnosis as trial — the alibi principle. In: International Model-Based Diagnosis Workshop, Paris, July 1989.
Reiter, R. (1987): A theory of diagnosis from first principles. Artificial Intelligence 32: 57–95.
Struss, P., Dressler, O. (1989): Physical negation — Integrating fault models into the general diagnostic engine. In: Proceedings of the International Joint Conference on Artificial Intelligence, Detroit, August 1989. Morgan Kaufmann, Los Altos, CA, pp. 1318 —1323.
Editor information
Editors and Affiliations
Rights and permissions
Copyright information
© 1990 Springer-Verlag/Wien
About this chapter
Cite this chapter
Nejdl, W. (1990). Modellbasierte Diagnose. In: Gottlob, G., Frühwirth, T., Horn, W. (eds) Expertensysteme. Springers Angewandte Informatik. Springer, Vienna. https://doi.org/10.1007/978-3-7091-9094-4_9
Download citation
DOI: https://doi.org/10.1007/978-3-7091-9094-4_9
Publisher Name: Springer, Vienna
Print ISBN: 978-3-211-82221-0
Online ISBN: 978-3-7091-9094-4
eBook Packages: Springer Book Archive