Database Reference
In-Depth Information
O
i−1
O
i+1
O
i
H
i−1
H
i+1
H
i
Abbildung 13.18
Topologie eines einfachen HMM fur die Propagation von Sequenzen
O
i
H
i
O
i+1
H
i+1
O
i+2
H
i+2
H
i
H
i+1
H
i+2
H
i−1
H
i
H
i
H
i
H
i+1
H
i+1
H
i+1
H
i+2
Abbildung 13.19
Topologie des Verbindungsbaums zum HMM in Abb. 13.18
JLO-Algorithmus (siehe Seite 446) durchfuhren. Der JLO-Algorithmus entspricht in
diesem Fall genau dem vorher schon fur Hidden Markov Models der obigen Bauart
entwickelten
Forward-Backward-Algorithmus
(siehe [188, 220]).
Die Parameter eines HMM des in Abbildung 13.17 gezeigten Typs konnen in
einem iterativen Adaptionsprozess aus einer Menge von Proteinsequenzen gelernt
werden, um schließlich ein passendes Modell fur eine Familie von Proteinen zu re-
prasentieren. Ein solches fertiges HMM kann dann dazu verwendet werden, um
Proteine dieser Familie in einer Datenbasis zu identifizieren. Dazu wird fur jede Se-
quenz s der Datenbasis (wieder mit dem Forward-Backward-Algorithmus bzw. mit
dem JLO-Algorithmus) der
negative log likelihood (NLL)
-Wert,
model
),
berechnet, der angibt, wie gut die Sequenz durch das Modell gestutzt wird (s. [123]).
−
log
Prob
(s
|
13.7.2
Herzerkrankungen bei Neugeborenen
Die medizinische Diagnose stellt fur die wissensbasierten Systeme und allgemein
fur die gesamte Kunstliche Intelligenz wegen ihrer Komplexitat und ihrer Rele-
vanz eine Herausforderung besonderer Art dar. So ist es kein Zufall, dass es immer
wieder medizinische Diagnosesysteme sind, die Meilensteine in der Entwicklung wis-
sensbasierter Systeme markieren. Ein solcher Meilenstein war MYCIN, das wir in
Kapitel 4.7 vorstellten, und auch die praktische Anwendung probabilistischer Netz-
werke wurde mit medizinischen Systemen eingelautet. Der Propagationsalgorithmus
