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.