Современные информационные технологии/1. Компьютерная инженерия

К.т.н. Бегман Ю.В.

Кубанский государственный технологический университет, Россия

Нейросетевой подход к решению проблем абонентов сотовых сетей

Эффективное решение проблем абонентов сотовых сетей связи обеспечивается за счет использования специализированных советующих систем, которые помогали бы лицу, принимающему решения, вырабатывать и принимать рациональные решения по идентификации причин возникновения проблемных ситуаций. В качестве такой системы предлагается нейросетевая экспертная система на основе прецедентов (НЭСП) для решения проблем абонентов сотовой сети.

В общей структуре НЭСП главенствует основной модуль-интегратор, который, в зависимости от поставленной цели и текущих условий нахождения решения, выбирает для функционирования те или иные интеллектуальные или программные модули, входящие в систему, и объединяет отклики задействованных модулей. В свою очередь интеллектуальная подсистема, реализующая функции поиска решения проблемы, возникшей у абонента сотовой сети, представляет собой интеллектуальную систему (ИС) комбинированного типа, включающую набор различных интеллектуальных компонентов. Основными компонентами интеллектуальной подсистемы являются следующие:

1) модуль приобретения знаний – включает анализ и извлечение входной информации из базы данных абонентов (БДА), содержащей поступившие на обработку заявки, для последующей интеллектуальной обработки этой информации; данные, поступающие на вход этого модуля, преобразуются либо в форму прецедента (если заявка является уже обработанной), либо в форму продукционного нечеткого правила (в случае, если заявка не обработана), причем для формирования правила требуется еще участие эксперта – оператора технической службы поддержки сети;

2) продукционная нечеткая база знаний (ПНБЗ) содержит правила в форме нечетких продукций;

3) база знаний прецедентов (БЗП) представляет собой совокупность баз данных описаний проблем, причин их возникновения, следствий решений проблем выбранным способом, а также системы индексных связей между прецедентами;

4) механизм поиска по прецедентам (МПП) – программный блок, реализующий индексный поиск наиболее подходящего к ситуации прецедента;

5) блок обучения нейронной сети преобразует правила из ПНБЗ в обучающие выборки для нейронной сети;

6) нейро-нечеткий механизм (ННМ) – программный блок, реализующий структуру нечеткого контроллера на основе нейронной сети;

7) блок адаптации данных (АД) – преобразует результат нейросетевого поиска решения в форму нового прецедента;

8) блок объяснений решения позволяет интерпретировать решение, полученное в ходе работы НМ, и объяснить его оператору.

Функциональная схема НЭСП включает ряд этапов. На первом этапе выполняется процедура сбора первичных данных – принятие и регистрация заявки абонента. Заявка содержит общие данные, технические параметры, перечень действий, проводимых по заявке. Работа оператора службы технической поддержки происходит с подсистемой обслуживания абонентов. Следующий этап работы НЭСП – интеллектуальный. Работа интеллектуальной подсистемы возможна в двух режимах: режим приобретения знаний и настройка интеллектуальных компонентов; режим поиска решения.

В первом случае происходит обработка заявки, по которой уже было принято решение. Данные о проблеме и пути ее решения преобразуются либо в прецедент, и добавляются в БЗП, либо на их основе формируется нечеткая продукция, которая пополняет нечеткую базу знаний. На основе знаний ПНБЗ строятся обучающие выборки для нейро-нечеткого механизма, которые подаются на входы нейронной сети в процессе ее обучения. Кроме того, к первому режиму работы интеллектуальной подсистемы НЭСП можно отнести работу блока адаптации данных: данные, полученные на выходе нейронной сети, преобразуются вместе с входными данными в форму прецедента и являют собой новое знание для базы знаний прецедентов.

Режим поиска решения предоставляет два способа нахождения решения возникшей проблемы. По умолчанию активизируется механизм поиска прецедента, который, используя информацию из новой заявки, осуществляет индексный поиск прецедента с целью найти решение заявленной проблемы на основе ранее возникавших похожих ситуаций. Другим способом (или если в первом случае поиск не дал результатов) является нейро-нечеткий поиск. Данные из заявки подаются на входы нейронной сети, а на выходах активируется нейрон (или нейроны), который будет указывать решение проблемы. Решение предъявляется оператору, по его согласию регистрируется в заявке, которая после этого закрывается и переходит в категорию обработанных. Если оператор сомневается в предложенном системой решении проблемы, то в работу включается блок объяснения решения.

Литература:

1. Малыхина М.П., Бегман Ю.В. Нейросетевая экспертная система на основе прецедентов для решения проблем обслуживания абонентов сотовой сети // Известия вузов. Северо-кавказский регион. Технические науки. – Новочеркасск, 2009. – №3. – С. 6 – 9.

2. Варшавский П.Р., Еремеев А.П. Методы правдоподобных рассуждений на основе аналогий и прецедентов для интеллектуальных систем поддержки принятия решений // Новости Искусственного Интеллекта. – 2006. – № 3. – С. 39 – 62.

3. Гаврилов А.В., Новицкая Ю.В. Гибридные интеллектуальные системы // Сборник научных трудов НГТУ. – Новосибирск: НГТУ, 2004. –№1(35). – С. 55 – 60.