ISSN 1991-3087

Свидетельство о регистрации СМИ: ПИ № ФС77-24978 от 05.07.2006 г.

ISSN 1991-3087

Подписной индекс №42457

Периодичность - 1 раз в месяц.

Вид обложки

Адрес редакции: 305008, г.Курск, Бурцевский проезд, д.7.

Тел.: 8-910-740-44-28

E-mail: jurnal@jurnal.org

Рейтинг@Mail.ru Rambler's Top100
Яндекс.Метрика

Нейро-экспертная прецедентная система  обслуживания абонентов сотовой сети

 

Бегман Юлия Викторовна,

аспирант кафедры вычислительной техники и автоматизированных систем управления Кубанского государственного технологического университета.

 

Вопросам интеграции различных интеллектуальных технологий, в частности экспертных систем и нейросетей, в настоящее время посвящено множество исследований. На основе анализа, проведенного в [3], предлагается следующая модель нейро-экспертных вычислений:

.

В нейросетевой экспертной системе сохраняется база правил экспертной системы, на основе которой строится нейросеть с входами  и выходами ,  – обучающая и тестирующая последовательности для нейронной сети; ,   – интерпретаторы обучения и нейровычислений соответственно; новая система получает новый набор системообразующих отношений .

Если включить в модель нейросетевой экспертной системы вычисления на основе прецедентов [1], то полученная гибридная интеллектуальная система окажется более функциональной, сохранив при этом свою гибкость:

.

В нейро-экспертной прецедентной системе база знаний содержит знания в виде продукций  и в виде прецедентов ;  системообразующие отношения интегрированной системы. Поиск решений в новой системе разбивается на нейросетевой  и прецедентный  с алгоритмом  определения похожих прецедентов. Обучение нейросети  производится путем предъявления прецедентов в качестве тестовых примеров (рис. 1).

 

Рис. 1. Нейро-экспертная сеть правил на базе прецедентов.

 

Работоспособность представленной гибридной модели подтверждает разработанная на ее основе интеллектуальная система обслуживания абонентов сотовой сети. Система включает базу данных абонентов, базу знаний прецедентов и продукций, модуль приобретения знаний, механизм поиска прецедента, нейро-экспертный механизм получения решения, блоки адаптации данных и объяснения решения.

Получение решения системы по вопросу заявки абонента возможно двумя путями. Первоначально активизируется алгоритм поиска прецедента на основе сравнения с новой заявкой. Степень близости прецедента по всем признакам вычисляется по формуле [2]:

,

где  – значимость признака;  – функция схожести; , – значения i-го признака в текущем и прошлом прецеденте соответственно.

Если подобная проблема ранее не решалась, и прецедент отсутствует в базе знаний, то задание передается на вход нейро-экспертного механизма, представляющего собой нейросеть правил, выполняющихся одновременно. Узлами сети являются нейроны – отдельные факты, извлекаемые из прецедентов, входящие в условия и следствия правил экспертной системы, а связи между узлами сети реализуют правила. 

Обучение нейронной сети производится по методу обратного распространения ошибки на примерах из базы знаний прецедентов.

Опрос нейросети начинается с преобразования вероятностей выполнения фактов в активности входных нейронов. Для объяснения полученного решения по каждой зависимости, принимающей участие в выводе, генерируется на основе входных параметров решающее правило конъюнкций посылок и следствий продукций экспертной системы [4]. Готовое решение преобразуется в прецедент и сохраняется  в базе знаний прецедентов.

Тестирование разработанной гибридной системы показало эффективность предлагаемого подхода к интеграции трех технологий интеллектуальных вычислений для решения интеллектуальных задач.

 

Литература.

 

1.         Жернаков С.В. Нейросетевая база знаний прецедентов активной экспертной системы для комплексного контроля и диагностики параметров авиационного двигателя // Информационные технологии. 2002. №5. С. 45–53.

2.         Карпов Л.Е., Юдин В.Н. Методы добычи данных при построении локальной метрики в системах вывода по прецедентам. – М., ИСП РАН, препринт №18, 2006.

3.         Колесников А.В., Кириков И.А. Методология и технология решения сложных задач методами функциональных гибридных интеллектуальных систем. – М., ИПИ РАН, 2007.

4.         Савушкин С.А. Нейросетевые экспертные системы // Нейрокомпьютер. 1992. №2. С. 29–36.

 

Поступила в редакцию 02.10.2008 г.

2006-2018 © Журнал научных публикаций аспирантов и докторантов.
Все материалы, размещенные на данном сайте, охраняются авторским правом. При использовании материалов сайта активная ссылка на первоисточник обязательна.