Dans cette thèse nous nous intéressons aux méthodes de classifications supervisées utilisant les réseaux bayésiens. L'avantage majeur de ces méthodes est qu'elles peuvent prendre en compte les interactions entre les variables explicatives. Dans une première partie nous proposons une procédure de discrétisation spécifique et une procédure de sélection de variables qui permettent d'améliorer considérablement les classifieurs basés sur des réseaux bayésiens. Cette procédure a montré de très bonnes performances empiriques sur un grand choix de jeux de données connus de l’entrepôt d'apprentissage automatique (UCI Machine Learning repository). Une application pour la prévision de type d’épilepsie à partir de de caractéristiques des patients extraites des images de Tomographie par émission de positrons (TEP) confirme l’efficacité de notre approche comparé à des approches communes de classifications supervisées. Dans la deuxième partie de cette thèse nous nous intéressons à la modélisation des interactions entre des variables dans le contexte de séries chronologiques en grande dimension. Nous avons proposé deux nouvelles approches. La première, similaire à la technique "neighborhood Lasso" remplace la technique Lasso par des machines à vecteurs de supports. La deuxième approche est un réseau bayésien restreint: les variables observées à chaque instant et à l’instant précédent sont utilisées dans un réseau dont la structure est restreinte. Nous montrons l’efficacité de ces approches par des simulations utilisant des donnés simulées issues de modèles linéaires, non-linéaires et un mélange des deux. / First, in this dissertation, we will show that Bayesian networks classifiers are very accurate models when compared to other classical machine learning methods. Discretising input variables often increase the performance of Bayesian networks classifiers, as does a feature selection procedure. Different types of Bayesian networks may be used for supervised classification. We combine such approaches together with feature selection and discretisation to show that such a combination gives rise to powerful classifiers. A large choice of data sets from the UCI machine learning repository are used in our experiments, and the application to Epilepsy type prediction based on PET scan data confirms the efficiency of our approach. Second, in this dissertation we also consider modelling interaction between a set of variables in the context of time series and high dimension. We suggest two approaches; the first is similar to the neighbourhood lasso where the lasso model is replaced by Support Vector Machines (SVMs); the second is a restricted Bayesian network for time series. We demonstrate the efficiency of our approaches simulations using linear and nonlinear data set and a mixture of both.

A combinação de lógica e probabilidade (lógicas probabilísticas) tem sido um tópico bastante estudado nas últimas décadas. A maioria de propostas para estes formalismos pressupõem que tanto as sentenças lógicas como as probabilidades sejam especificadas por especialistas. Entretanto, a crescente disponibilidade de dados relacionais sugere o uso de técnicas de aprendizado de máquina para produzir sentenças lógicas e estimar probabilidades. Este trabalho apresenta contribuições em termos de representação de conhecimento e aprendizado. Primeiro, uma linguagem lógica probabilística de primeira ordem é proposta. Em seguida, três algoritmos de aprendizado de lógica de descrição probabilística crALC são apresentados: um algoritmo probabilístico com ênfase na indução de sentenças baseada em classificadores Noisy-OR; um algoritmo que foca na indução de inclusões probabilísticas (componente probabilístico de crALC); um algoritmo de natureza probabilística que induz sentenças lógicas ou inclusões probabilísticas. As propostas de aprendizado são avaliadas em termos de acurácia em duas tarefas: no aprendizado de lógicas de descrição e no aprendizado de terminologias probabilísticas em crALC. Adicionalmente, são discutidas aplicações destes algoritmos em processos de recuperação de informação: duas abordagens para extensão semântica de consultas na Web usando ontologias probabilísticas são discutidas. / The combination of logic and probabilities (probabilistic logics) is a topic that has been extensively explored in past decades. The majority of work in probabilistic logics assumes that both logical sentences and probabilities are specified by experts. As relational data is increasingly available, machine learning algorithms have been used to induce both logical sentences and probabilities. This work contributes in knowledge representation and learning. First, a rst-order probabilistic logic is proposed. Then, three algorithms for learning probabilistic description logic crALC are given: a probabilistic algorithm focused on learning logical sentences and based on Noisy-OR classiers; an algorithm that aims at learning probabilistic inclusions (probabilistic component of crALC) and; an algorithm that using a probabilistic setting, induces either logical sentences or probabilistic inclusions. Evaluation of these proposals has been performed in two situations: by measuring learning accuracy of both description logics and probabilistic terminologies. In addition, these learning algorithms have been applied to information retrieval processes: two approaches for semantic query extension through probabilistic ontologies are discussed.

Sistemas de transporte marítimo são essenciais para o Comércio Global, em especial, navios-tanques e seus centros de carga e descarga de produtos líquidos ou gasosos inflamáveis; portanto, é crucial entender como estes sistemas podem falhar, para que seus operadores sejam capazes de manter a sua capacidade de operação. É preciso que cada e toda análise quantitativa de risco compreenda algumas das atividades básicas que devem ser desenvolvidas, para permitir a quantificação dos riscos envolvidos e associados, na operação do sistema ou do processo. Basicamente, devem ser calculadas as probabilidades de ocorrência dos eventos indesejados identificados, bem como a magnitude de suas consequências. O objetivo deste trabalho é aferir se a técnica denominada Rede Bayesiana RB é a mais adequada, comparando-a com as técnicas de árvores de falhas e de eventos, para realizar uma Análise de Risco da operação ou processo de descarga de líquidos inflamáveis, como etanol anidro e/ou produtos petrolíferos, de um naviotanque para um terminal portuário específico Terminal de Granéis Líquidos TGL com foco na interface entre dois sistemas: o navio e o porto, observado o elemento humano, ou seja, o erro humano (Análise da Confiabilidade Humana). Além disso, será realizado um estudo das consequências do vazamento de um líquido inflamável transportado pelo navio, olhando para o pior cenário, a partir da ruptura da tubulação ou do compartimento do navio-tanque. A análise tem por base as recomendações da Organização Internacional Marítima OIM (em inglês, IMO). A OIM tem adotado a Avaliação Formal da Segurança AFS (em inglês, Formal Safety Assessment FSA), como seu modo oficial de receber as sugestões de seus membros para criar ou modificar qualquer regulamentação correlacionada. Este processo é composto de cinco passos que a OIM descreve na guia AFS (IMO, 2002). Este trabalho irá mostrar todas as etapas, mas irá focar, com especial atenção, a segunda etapa Risk Assessment, porque será aplicada ao caso sob análise, envolvendo o comportamento humano. Existem muitas técnicas e muito trabalho envolvido na estimação das probabilidades dos eventos. O mesmo ocorre para a avaliação de suas consequências. Uma vez definida a quantidade total de vazamento, um software poderá ser usado para calcular as consequências. O mesmo será feito para na Análise de Risco, utilizando RB, e, neste ponto, o trabalho apresenta uma nova contribuição. / Maritime transportation systems are essential for World Trade, in special, Tankers ships and yours loading and unloading facilities; therefore, it is crucial to understand how these systems may fail, to be able to maintain their capacity. It need that each and every quantitative risk assessment comprises some basic activities that have to be developed to allow the quantification of the risks involved in the operation of a system or process. Basically, it must be estimated the likelihood of the identified undesired events as well as the magnitude of their consequences. The objective of this study is to assess if the technique called Bayesian Networks BN is the best suited, with respect to the Fault Tree Analysis FTA and the Event Tree Analysis ETA, to perform an Risk Analysis of the operation or process of unloading of flammable bulk liquids, such as anhydrous ethanol and/or oil products, from a Tanker to a port terminal specified the Bulk Liquid Terminal BLT, focusing on the interface between the two systems: ship and port with the inclusion of the human factor, i.e., human error: Human Reliability Analysis HRA. Furthermore, a consequence analysis of a specific liquid bulk leakage will be performed, looking at the worst scenario case, from the rupture of a pipeline or tank from a Tanker. The analysis came from based on the recommendations of the International Maritime Organization IMO. The IMO has adopted the FSA (Formal Safety Assessment) as its official way of receiving suggestions of its members to create or modify any regulation correlated. It is a process composed by five steps that IMO has described in its Guidelines for FSA (IMO, 2002). This thesis will to show all steps, but will look carefully to step two (Risk Assessment) because it will be applied in the example situation, involving human behavior (HRA). There are many techniques and much work involved in the estimation of the likelihood of the events. The same occurs for the evaluation of their consequences. Once defined the total leaked quantity, software will be used to calculate the consequences. The same will be done to Risk Analysis, using BN, and at this point, the work is a new contribution.

A motivação para este trabalho originou-se da atual tendência do Gás Natural Liquefeito (GNL) se tornar uma importante opção para a diversificação da matriz energética brasileira. Atualmente, os terminais de gás natural liquefeito (GNL) são na maioria estruturas onshore, a construção destes terminais é custosa e muitos investimentos são necessários para atender as legislações ambientais e de segurança. Além disso, um acidente em uma destas instalações poderá produzir um grande impacto em áreas adjacentes. Sob esta perspectiva, surge uma nova proposta: uma unidade flutuante de armazenagem e regaseificação de gás natural liquefeito (FSRU - Floating Storage and Regasification Unit), o qual é uma unidade offshore e que pode trabalhar a quilômetros de distância da costa. O objetivo desta pesquisa é desenvolver uma metodologia de análise de Confiabilidade com o uso de Redes Bayesianas (RB) e aplicá-la na análise do sistema de Regaseificação do FSRU. O uso de RB, entre outras vantagens, permite a representação de incertezas no modelo e de dependências condicionais o que não é possível com as técnicas tradicionais, como por exemplo, as árvores de falhas e de eventos. Como resultado do trabalho, além da apresentação da metodologia a ser desenvolvida, serão identificados os pontos críticos do sistema contribuindo para o desenvolvimento de um plano de manutenção que assegure uma boa operabilidade do sistema com níveis razoáveis de dependabilidade. / The motivation for this research is the propensity of the Liquefied Natural Gas (LNG) becomes an important source of energy. Nowadays, LNG Import Terminals are mostly onshore; the construction of these terminals is costly and many adaptations are necessary to abide by environmental and safety laws. Moreover, an accident in one of these plants might produce considerable impact in neighboring areas. Under this perspective, a new option arises: a vessel known as FSRU (Floating Storage and Regasification Unit), which is an offshore unit, that can work miles away from de coast. The goal is to develop a Bayesian Network Reliability Modeling, which will show a preview of FSRUs Regasification System behavior. Using BN is possible to represent uncertain knowledge and local conditional dependencies. The results intend to clarify the critical equipment of the system and might improve the development of an effective maintenance plan, which can provide good operability with reasonable dependability levels.

A APS (Análise Probabilística de Segurança) de instalações industriais é assunto que evoluiu com a complexidade dos sistemas. A princípio, foram desenvolvidas ferramentas e técnicas com o propósito de analisar plantas já instaladas, possibilitando a identificação de fenômenos e mecanismos de falha desconhecidos até então. Com a evolução dos estudos dos acidentes, foram desenvolvidas técnicas aplicáveis às fases pré-operacionais com o propósito de diminuir os riscos na operação. Observa-se, portanto, um bom número de técnicas ideais para analisar projetos prontos ou em fase de conclusão. O mesmo não é observado para a fase de concepção. Apesar disto, cada vez mais especialistas na área de risco propõem que as considerações de segurança são mais eficazes quando ponderadas ao longo de toda a vida dos sistemas críticos. O estudo das APS realizadas no mundo em várias indústrias ajuda a entender o consenso sobre a contribuição potencial destas análises no desenvolvimento de novos sistemas. Para explorar este potencial, é essencial a elaboração de processos e modelos prospectivos que sejam simples, quantitativos, realistas, capazes de alimentar análises no estágio de projeto e que tragam resultados que possam ser interpretados pelos profissionais envolvidos no processo decisório. Estas considerações são extensíveis à ACH (Análise de Confiabilidade Humana), i.e., poucas são as ferramentas que ponderam aspectos operacionais, em especial o desempenho humano, na fase de projeto. A reconhecida contribuição do fator humano em acidentes envolvendo sistemas complexos - por vezes atribuída à falta de ferramentas adequadas para sua consideração na fase de projeto - evidencia ainda mais esta lacuna. Neste contexto, esta tese apresenta o desenvolvimento de uma metodologia e de uma técnica para a consideração precoce da confiabilidade humana na concepção de sistemas complexos, sendo que: 1) o desenvolvimento desta metodologia primou pela facilidade de entendimento de suas etapas e resultados, i.e., procurou-se a inteligibilidade para as pessoas envolvidas no projeto, sendo especialistas em ACH ou não, e; 2) a TECHR (Technique for Early Consideration of Human Reliability) foi concebida com o propósito de desenvolver um modelo prospectivo para o desempenho humano que possa ser explorado na fase de concepção de sistemas, e se baseia no aproveitamento da opinião de especialistas em relação a sistemas que operam ou operaram nos últimos anos para obter estimativas das probabilidades dos diversos tipos de erro humano que podem ocorrer durante a execução de uma ação específica. A metodologia proposta e a TECHR resultam em um procedimento simples e capaz de produzir modelos extremamente úteis na fase de projeto, representando uma contribuição original para o estado da arte da concepção de sistemas baseada em dados incertos. / PSA (Probabilistic Safety Assessment) is an industrial plant issue that has evolved with the complexity of systems. Initially, tools and techniques have been developed with the main purpose of analyzing operational plants, enabling the identification of phenomena and fault mechanisms hitherto not highlighted. With the evolution of accidents studies, some techniques applicable to pre-operational phases were developed in order to reduce the risks in operation. Therefore, a number of techniques adequate to analyze ready or near completion designs can be found. The same is not observed for the early design phase. Despite this, more and more experts in the risk assessment field suggest that safety considerations are most effective when assessed over the whole life of critical systems. Probabilistic safety analyses performed worldwide in various industries help us understand the consensus on the potential contribution of these analyses for developing new systems. To exploit this potential, it is essential to develop processes and prospective models that are simple, quantitative, realistic, able to feed analyses at the design stage and to bring results that can be interpreted by the professionals involved in the decision making process. These considerations are extended to HRA (Human Reliability Analysis), i.e., there are few tools that consider operational aspects, especially human performance, during the design phase. The recognized contribution of the human factor in accidents involving complex systems - sometimes attributed to the lack of suitable tools for its consideration in the design phase - further highlights this gap. In this context, this thesis presents a methodology and a technique developed for the early consideration of human reliability in complex systems design, and: 1) the development of this methodology has prioritized the easy understanding of its steps and results, i.e., its intelligibility for people involved in the system design has been sought, with expertise in HRA or not, and; 2) the technique for early consideration of human reliability (TECHR) was designed for developing a prospective human performance model that can be exploited in the system design phase, and is based on the use of expert opinion in relation to systems that operate or have operated in recent years to obtain estimates of the probabilities of the various types of human error that may occur during the performance of a specific action. The proposed methodology and technique result in a simple procedure capable of producing useful models for the design phase, representing an original contribution to the state of the art of systems conception under uncertainty.

Informações que caracterizam o risco quebra de produção agrícola são necessárias para a precificação de prêmio do seguro agrícola de produção e de renda. A distribuição de probabilidade da variável rendimento agrícola é uma dessas informações, em especial aquela que descreve a variável aleatória rendimento agrícola condicionada aos fatores de risco climáticos. Este trabalho objetiva aplicar redes Bayesianas (grafo acíclico direcionado, ou modelo hierárquico Bayesiano) a estimação da distribuição de probabilidade de rendimento da soja em alguns municípios do Paraná, com foco na analise comparativa de riscos. Dados meteorológicos (ANA e INMET, período de 1970 a 2011) e de sensoriamento remoto (MODIS, período de 2000 a 2011) são usados conjuntamente para descrever espacialmente o risco climático de quebra de produção. Os dados de rendimento usados no estudo (COAMO, período de 2001 a 2011) requerem agrupamento de todos os dados ao nível municipal e, para tanto, a seleção de dados foi realizada nas dimensões espacial e temporal por meio de um mapa da cultura da soja (estimado por SVM - support vector machine) e os resultados de um algoritmo de identificação de ciclo de culturas. A interpolação requerida para os dados de temperatura utilizou uma componente de tendência estimada por dados de sensoriamento remoto, para descrever variações espaciais da variável que são ofuscadas pelos métodos tradicionais de interpolação. Como resultados, identificou-se relação significativa entre a temperatura observada por estações meteorológicas e os dados de sensoriamento remoto, apoiando seu uso conjunto nas estimativas. O classificador que estima o mapa da cultura da soja apresenta sobre-ajuste para safras das quais as amostras usadas no treinamento foram coletadas. Além da seleção de dados, a identificação de ciclo também permitiu obtenção de distribuições de datas de plantio da cultura da soja para o estado do Paraná. As redes bayesianas apresentam grande potencial e algumas vantagens quando aplicadas na modelagem de risco agrícola. A representação da distribuição de probabilidade por um grafo facilita o entendimento de problemas complexos, por suposições de causalidade, e facilita o ajuste, estruturação e aplicação do modelo probabilístico. A distribuição log-normal demonstrou-se a mais adequada para a modelagem das variáveis de ambiente (soma térmica, chuva acumulada e maior período sem chuva), e a distribuição beta para produtividade relativa e índices de estado (amplitude de NDVI e de EVI). No caso da regressão beta, o parâmetro de precisão também foi modelado com dependência das variáveis explicativas melhorando o ajuste da distribuição. O modelo probabilístico se demonstrou pouco representativo subestimando bastante as taxas de prêmio de seguro em relação a taxas praticadas no mercado, mas ainda assim apresenta contribui para o entendimento comparativo de situações de risco de quebra de produção da cultura da soja. / Information that characterize the risk of crop losses are necessary to crop and revenue insurance underwriting. The probability distribution of yield is one of this information. This research applies Bayesian networks (direct acyclic graph, or hierarchical Bayesian model) to estimate the probability distribution of soybean yield for some counties in Paraná state (Brazil) with focus on risk comparative analysis. Meteorological data (ANA and INMET, from 1970 to 2011) and remote sensing data (MODIS, from 2001 to 2011) were used to describe spatially the climate risk of production loss. The yield data used in this study (COAMO, from 2001 to 2011) required grouping to county level and, for that, a process of data selection was performed on spatial and temporal dimensions by a crop map (estimated by SVM - support vector machine) and by the results of a crop cycle identification algorithm. The interpolation required to spatialize temperature required a trend component which was estimated by remote sensing data, to describe the spatial variations of the variable obfuscated by traditional interpolation methods. As results, a significant relation between temperature from meteorological stations and remote sensing data was found, sustaining the use of the supposed relation between the two variables. The soybean map classifier shown over-fitting for the crop seasons for which the training samples were collected. Besides the data collection, a seeding dates distribution of soybean in Paraná state was obtained from the crop cycle identification process. The Bayesian networks showed big potential and some advantages when applied to agronomic risk modeling. The representation of the probability distribution by graphs helps the understanding of complex problems, with causality suppositions, and also helps the fitting, structuring and application of the probabilistic model. The log-normal probability distribution showed to be the best to model environment variables (thermal sum, accumulated precipitation and biggest period without rain), and the beta distribution to be the best to model relative yield and state indexes (NDVI and EVI ranges). In the case of beta regression, the precision parameter was also modeled with explanation variables as dependencies increasing the quality of the distribution fitting. In the overall, the probabilistic model had low representativity underestimating the premium rates, however it contributes to understand scenarios with risk of yield loss for the soybean crop.

Este estudo visa compreender a adequação dos rendimentos às necessidades e condições de vida dos brasileiros. Observando os dados da Pesquisa de Orçamentos Familiares (POF) realizada pelo IBGE (Instituto Brasileiro de Geografia e Estatística) para o período: 2008 e 2009, o estudo identifica um modelo que se concentra na investigação sobre o fato de 75% dos domicílios brasileiros declararem dificuldades orçamentárias. Para desenvolver um modelo, foi utilizada a percepção declarada e subjetiva de adequação da renda, informada pelo chefe de família ou pessoa de referência no domicílio. O referencial teórico baseia-se no comportamento do consumidor e foca nos recursos econômicos. O método quantitativo foi desenvolvido com Inteligência Artificial, mais especificamente Redes Bayesianas. Redes Bayesianas são estruturas em forma de grafos onde as distribuições de probabilidade são representadas por nós ligados por arcos acíclicos, que podem representar ou não relações causais entre as variáveis. No final pretende-se contribuir para o conhecimento e melhoria no desenho de políticas públicas e para as empresas em geral, dando um panorama sobre o que afeta as dificuldades das famílias, proporcionando uma visão que vai além da tradicional divisão de classes econômicas. / This study aims to understand the adequacy of Brazilians´ income to their needs and living conditions. According to the data from the Household Budget Survey (POF) conducted by IBGE (Brazilian Institute of Geography and Statistics) for the years of 2008 - 2009, the study identifies a model which focuses on the investigations about the fact that 75% of Brazilian households reported budgetary difficulties. To develop a model, was used the perceived adequacy of income declared by the householder or reference person in the household. The theoretical framework was based on consumer behavior and focuses on economic resources. The quantitative method was developed by Artificial Intelligence, specifically Bayesian Networks. Bayesian Networks are structures in the form of graphs for which the probability distributions are represented by nodes connected by acyclic arcs, which may or may not represent causal relationships between variables. At the end we intend to contribute to knowledge and improvement in the design of public policies and business in general, giving a more detailed look at what affects the difficulties of families, providing a vision that goes beyond the traditional division of economic classes.

Made available in DSpace on 2016-03-15T19:38:06Z (GMT). No. of bitstreams: 1 Tatiana Ferreira Raffaelli.pdf: 1372071 bytes, checksum: 274f2a97f290810c43d6e7c6e0730d1a (MD5) Previous issue date: 2007-09-18 / The existence of a highly reliable prediction system to detect the occurrence of large solar flares (class X) is still an unsolved problem. Despite many studies performed so far, no such a system has been found yet. In this work, we have developed a method using Bayesian Network - an Artificial Intelligence technique for the detection of giant solar flares. The Bayesian Networks software learned the relation among the variables that describe the sunspots within an active region and built a network with the relationships among them based on conditional probabilities. The studies were divided into two stages one to detect whether the sunspot would produce a big flare or not and another phase where some networks were built to discover the day the flare would occur. The first phase results were very satisfactory reaching a reliability of 77%. The second phase was more complex and the results were about 77% (with day constraints) and 54% (a wider range of days). / A existência de um sistema de previsão, de alta confiabilidade, para a detecção de ocorrência de grandes explosões solares (classe X) ainda é um problema sem solução. Existem diversos estudos nesta área, porém ainda não foi encontrado nenhum sistema eficiente. Para este trabalho foi desenvolvido um método utilizando-se redes Bayesianas, técnica de Inteligência Artificial, para a previsão das grandes flares (explosões) solares. O software de redes Bayesianas aprendeu a relação entre as variáveis que descrevem as regiões ativas e constroem uma rede com os relacionamentos entre elas baseados em probabilidades condicionais. Os estudos foram divididos em duas etapas, uma rede para detectar se a mancha solar irá produzir uma grande explosão ou não, e uma outra etapa em que foram construídas redes para prever o dia em que a explosão irá ocorrer. Os resultados obtidos na primeira etapa foram bem satisfatórios, atingindo 84% de confiabilidade. Já a segunda etapa do trabalho mostrou-se mais complexa e os resultados obtidos foram de 77% (com restrições de dias) e 54% (sem restrições de dia).

Genom att fusionera (sammanföra) data från olika sensorer kan ett resultat uppnås som ger mer än de enskilda sensorerna var för sig. Här utreds vilka sensorer och sensorfusionsmetoder som kan vara aktuella att använda för Scanias adaptiva farthållare (ACC). Den adaptiva farthållaren anpassar det egna fordonets hastighet inte bara till en förinställd hastighet utan även till framförvarande fordons hastighet. Scanias ACC-system använder idag en radar för måldetektering. Det finns ett antal algoritmer och arkitekturer som passar för sensorfusionssystem beroende på nivån hos sensordatan och användningsområdet. Minstakvadratmetoder kan användas då data ska matchas mot en fysisk modell, ofta med lågnivådata. När tillgänglig data är på den nivån att den används direkt för att fatta beslut kan sannolikhetsmetoder användas. Intelligent fusion består av kognitiva modeller som avser härma den mänskliga beslutsprocessen. Till detta passar data på hög nivå. Två lösningar, för två olika sensoruppsättningar, har tagits fram. Båda lösningarna är uppbyggda av bayesiska nätverk. Det första nätverket fusionerar data från den befintliga radarenheten med data från en kamera som detekterar vägmarkeringar. Resultaten visar att filbyten kan upptäckas tidigare i och med fusionen. Det andra nätverket använder sig av två radarenheter, den ursprungliga samt en likadan enhet till, vilket resulterar i ett bredare synfält. Nätverket avgör vilka mål hos respektive radar som kan anses vara samma matchade mål. Informationen kan användas för att öka redundansen i systemet samt för att upptäcka mål tidigare än förut. / By fusing data from different sensors a result can be achieved that is worth more than the data from each sensor by itself. Which sensors and sensor fusion methods that could be used in Scania's adaptive cruise control system (ACC) is investigated. The ACC system adapts the vehicle's speed not only to a driver decided set speed but also to the speed of preceding vehicles. Scania's ACC system uses a radar for target detection. There exists a number of algorithms and architectures fit for use in sensor fusion systems. Which one to use depends on the level of the data to be fused and on the field of application. Least square methods are used when matching data to a physical model, data to be used is often at a low level. When working with data at decision level, probability methods are favored. Another example is intelligent fusion, cognitive methods intending to mimic the human decision process. Suitable data is data at a high level. Two solutions, for two different sensor sets, are proposed. Both solutions are made out of Bayesian networks. The first one fuses data from the existing radar unit with data from a camera which detects lane markings. The results show that lane changes can be detected earlier thanks to the fusion. The second network uses two radar sensors of the same kind as the first, resulting in a wider field of view. The network decides which ones of each radars targets that are the same matching targets. This information could be used to increase the redundancy of the system and to detect targets earlier.

A fusion system sometimes requires the capability to represent the temporal changes of uncertain sensory information in dynamic and uncertain situation. A Bayesian Network can construct a coherent fusion structure with the hypothesis node which cannot be observed directly and sensors through a number of intermediate nodes that are interrelated by cause and effect. In some BN applications for observing a hypothesis node with the number of participated sensors, rank and select the appropriate options (different combination of sensors allocation) in the decision-making is a challenging problem. By user interaction, we can acquire more and useful information through multi-criteria decision aid (MCDA) as semi-automatically decision support. So in this study, Multi Attribute Decision Making (MADM) techniques as TOPSIS, SAW, and Mixed (Rank Average) for decision-making as well as AHP and Entropy for obtaining the weights of indexes have been used. Since MADM techniques have most probably different results according to different approaches and assumptions in the same problem, statistical analysis done on them. According to results, the correlation between applied techniques for ranking BN options is strong and positive because of the close proximity of weights suggested by AHP and Entropy. Mixed method as compared to TOPSIS and SAW is ideal techniques; moreover, AHP is more acceptable than Entropy for weighting of indexes.