Нейросетевая экспертная система на основе прецедентов для решения проблем обслуживания абонентов сотовой сети Текст научной статьи по специальности «Компьютерные и информационные науки»

УДК 004.891: 004.032.26: 004.838.3

НЕЙРОСЕТЕВАЯ ЭКСПЕРТНАЯ СИСТЕМА НА ОСНОВЕ ПРЕЦЕДЕНТОВ ДЛЯ РЕШЕНИЯ ПРОБЛЕМ ОБСЛУЖИВАНИЯ АБОНЕНТОВ СОТОВОЙ СЕТИ

© 2009 г. М.П. Малыхина, Ю.В. Бегман

Кубанский государственный технологический Kuban State Technological

университет, г. Краснодар University, Krasnodar

Предложен способ интеграции технологий экспертных систем, нейронных сетей и систем вывода по прецедентам. Построена математическая модель нейросетевой экспертной системы на основе прецедентов. Приведено описание разработанной гибридной системы.

Ключевые слова: гибридная интеллектуальная система; нейронная сеть; экспертная система; рассуждения по прецедентам; интеграция.

This article offered a way to integrate technology expert systems, neural networks and systems of a conclusion on precedents. The mathematical model of neural-network expert system based on precedents is constructed. The description of the developed hybrid system is resulted.

Keywords: hybrid intelligent system, neural network, expert system, reasoning by precedents, integration.

Актуальными на сегодняшний день являются разработки в области гибридных интеллектуальных систем (ГИС) [1]. Известны несколько путей интеграции технологий экспертных систем (ЭС) и нейронных сетей [2]:

- интеграция в ГИС: использование нейросетей как машины вывода в ЭС или использование ЭС в качестве препроцессора инициализации нейросети, выбора топологии, алгоритма обучения;

- разработка коннекционистских экспертных сетей и унифицированных нейросетей, т.е. специальных программ, имитирующих обучение и вычисления в нейросети, в которых каждому нейрону сопоставлен символьный эквивалент - понятие естественного языка;

- повышение качества знаний за счет использования нейросетей;

- интеграция знаний о предметной области в ней-росетях, т.е. включение знаний о предметной области в нейровычисления с целью совершенствования последних;

- извлечение правил из обученных нейросетей для использования в ЭС или трансляция правил предметной области в нейросеть;

- конвертирование нейросетей в деревья решений или наоборот.

В технологии экспертных систем и нейронных сетей используются различные модели вычислений.

Модель вычислений в экспертных системах приведена ниже [2]:

ES =< КВ,FB,RB,Iе,Re > ,

где КВ - база знаний в форме продукционных правил; ЕВ - база фактов о системе S ; ЯВ - база выводов, формируемая интерпретатором в ходе работы, содержащая информацию о причинах изменений в базе выводов и комментарии, внесенные экспертом в базу знаний для объяснений; Яе - системообразующие отношения; Iе - интерпретатор, представленный

четверкой циклически выполняемых последовательно процессов:

je _< je\ je2 je3 je4 >

где je1 - процесс выбора из базы знаний подмноже-

Te2

ства активных правил; J - процесс сопоставления с образцом для активных правил; Ie3- процесс разрешения конфликтов правил; Ie4 - процесс выполнения правила, т.е. использование его в рассуждениях.

Модель нейровычислений представима следующим образом [2] :

NN _< Ar,X,Y,Mn,Ed, jn1, jn2 > ,

где Ar - архитектура (топология) нейросети; X, Y -множества входов и выходов нейросети соответственно; Mn - множество моделей искусственных нейронов; Ed - обучающая и тестирующая последовательности; jn1, jn2 - интерпретаторы обучения и нейро-вычислений соответственно.

Таким образом, интегрированная нейро-эксперт-ная модель вычислений будет иметь следующий вид:

NES _< KB,X, Y,Ed,R, jn1, jn2 > .

В нейросетевой экспертной системе сохраняется база правил ЭС, на основе которой строится нейро-сеть с входами X и выходами Y ; новая система получает новый набор системообразующих отношений R'.

Полученная нейросетевая модель экспертной системы способна сохранять опыт системы в целом в неявном виде. Для извлечений ответа необходимо проводить опрос системы и производить нейровычис-ления. Это не всегда является лучшим решением для некоторых задач. Хранить опыт интеллектуальной системы в явном виде способны системы, основанные на прецедентах. Прецедент включает: проблемную

ситуацию, которая описывает состояние исследуемого процесса, когда произошел прецедент; решение этой проблемы; результат, который описывает состояние исследуемого процесса после произошедшей проблемной ситуации [3].

Модель вычислений с использованием методов рассуждений на основе прецедентов имеет следующий вид [2]:

PS =<КВ1,КВ2,А(р), 1Р >, где КВ1, КВ2 - базы единиц прецедентов и единиц общих знаний о предметной области; А(р) - алгоритм определения похожих прецедентов р.

Интерпретатор 1р , используя А(р) и КВ2, обрабатывает информацию, хранящуюся в базе прецедентов КВ1, и представляет собой совокупность процессов 1Р =< 1Р1 1Р2 1р3 1Р4 >

где 1р1 - обнаружение; 1р 2 - адаптация; 1р3 - пересмотр; 1р4 - сохранение.

Если включить в модель нейросетевой экспертной системы вычисления на основе прецедентов, то полученная ГИС окажется более функциональной, сохранив при этом свою гибкость:

ШБр =< КВ,КВр, А(р),R", 1пр, 1п2,1р > .

В нейро-экспертной прецедентной системе база знаний содержит знания в виде продукций КВ и в виде прецедентов КВр ; К" - системообразующие отношения новой ГИС. Поиск решений в новой системе разбивается на нейросетевой I"2 и прецедентный 1р с А(р) - алгоритмом определения похожих прецедентов.

Обучение нейросети 1пр производится путем предъявления прецедентов в качестве тестовых примеров.

Для подтверждения работоспособности представленной гибридной модели разработана интеллектуальная система решения проблем абонентов сотовой сети интегрированного типа (СРПА). Система сочетает в себе интеллектуальную подсистему (ИПС) и подсистему обслуживания абонентов (ПОА), работа которых координируется специальным блоком-интегратором.

Интеллектуальная подсистема (рис. 1) представляет собой экспертную систему на нейросетевой основе и включает базу данных абонентов (БДА), базу знаний прецедентов и продукций (БЗП), модуль приобретения знаний (ПЗ), механизм поиска прецедента (МПП), нейро-экспертный механизм получения решения (НЭМ), блоки адаптации данных (АД) и объяснения решения (ОР).

Получение решения системы возможно двумя путями. Первоначально активизируется алгоритм поиска прецедента (рис. 2). Поскольку каждый факт-признак в прецеденте имеет свой вес, учитывающий его относительную ценность, то полностью степень близости прецедента по всем признакам вычисляется по формуле [4]:

AS = (t(wtSIM(xI,xR)))/twt,

i=1 / i=1

где w - весовое значение значимости признака; SIM -функция схожести; x1, xR - значения i-го признака в текущем и прошлом прецеденте соответственно.

Степень сходства прецедентов вычисляется по метрике Хэмминга: SIM (x1, xR) = nIR/N, где nIR -

число совпадающих признаков у образцов x1, xR; N - общее число признаков.

Если подобная проблема ранее не решалась и прецедент отсутствует в базе знаний, то задание передается на вход нейро-экспертного механизма.

О П Е Р А Т О Р

Подсистема

обслуживания

абонентов

БДА

СРПА

Интеллектуальная подсистема

Приобретение знаний

Объяснение решения

МПП

Обучение нейросети

БЗП АД

j к

НЭМ

Рис. 1. Структура нейросетевой экспертной системы решения проблем абонентов на основе прецедентов

Нейро-экспертный механизм представляет собой нейросеть правил. Все правила выполняются 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. Таким способом организуется слабосвязанная многослойная нейросеть фактов и правил (рис. 3).

^ Проблема

Оцененное решение

Рекомендуемое решение

Рис. 2. Цикл поиска решения на основе прецедентов

Рис. 3. Нейро-экспертная сеть правил на базе прецедентов

Условия имеют ограничения вероятности факта, т.е. минимально и максимально необходимые вероятности для того, чтобы условие выполнялось.

Выходной слой нейросети состоит из понятий базы знаний, соответствующих ответам ЭС. На этапе обучения - это значения заключений системы, извлеченные из прецедентов обучающей выборки. Фактам-выводам автоматически назначается вероятность на основе исходных данных как усредненное значение совокупности вероятностей входных фактов.

Входной вектор нейронной сети формируется на начальном этапе работы с ЭС на основе предварительного опроса. Каждый нейрон входного слоя может принимать значение от 0 до 100, что определяет вес каждого факта.

Обучение нейронной сети производится по методу обратного распространения ошибки с учетом базы хранимых прецедентов. Нейросети предъявляются входные образы-факты, на которые должны быть получены заданные значения выходов. В процессе обучения происходит подстройка весов связей между нейронами. Активность нейронов из промежуточных слоев вычисляется путем суммирования весовых коэффициентов всех связей нейрона [5].

Опрос гибридной ЭС на нейросетевой основе начинается с задания вероятностей выполнения того или иного факта ЭС. Нейросетевая ЭС может работать в двух режимах: интерактивный экспертный и неинтерактивный нейросетевой.

В интерактивном режиме система работает как экспертная и вероятность факта определяется пользователем. В неинтерактивном режиме вероятность факта формируется на основе данных прецедентов и выбирается наиболее часто встречаемое значение.

Для объяснения полученного ЭС решения по каждой зависимости, принимающей участие в выводе, генерируется на основе входных параметров решающее правило конъюнкций посылок и следствий продукций экспертной системы [5].

Готовое решение оформляется в виде прецедента и сохраняется в базе знаний прецедентов экспертной системы.

Общий алгоритм функционирования СРПА включает следующие шаги:

- поступление заявки от абонента и ее регистрация в БД абонентов;

- формирование запроса к интеллектуальной подсистеме;

- поиск решения в базе знаний прецедентов;

- если решение не найдено, то выдача задания нейро-экспертному механизму;

- поиск решения с помощью нейро-экспертного

механизма;

- решение регистрируется в базе данных абонентов и передается в блок адаптации данных;

- блок адаптации данных преобразует решение нейро-экспертной системы в прецедент, который добавляется в БЗ прецедентов;

- полученное решение передается в блок объяснений;

- выдача ответа абоненту.

Работа нейро-экспертного механизма была протестирована, полученные результаты представлены в таблице.

Характеристики нейронной сети

Характеристика Значение

Количество входов 163

Количество выходов 37

Количество внутренних слоев 3

Количество нейронов во внутренних слоях 420

Тип активационной функции Сигмоид

Ошибка обучения 0,00013

Количество обучающих примеров 87

Количество эпох обучения 920

Коэффициент скорости обучения 0,7

Тестирование разработанной ГИС показало, что предлагаемый подход к интеграции трех технологий интеллектуальных вычислений обладает множеством преимуществ, является эффективным для решения интеллектуальных задач.

Литература

1. Гаврилова Т.А., Хорошевский В.Ф. Базы знаний интеллектуальных систем. СПб., 2000.

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

3. Жернаков С.В. Нейросетевая база знаний прецедентов

активной экспертной системы для комплексного контроля и диагностики параметров авиационного двигателя // Информационные технологии. 2002. № 5. С. 45.

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

5. Савушкин С.А. Нейросетевые экспертные системы // Нейрокомпьютер. 1992. № 2. С. 29.

Поступила в редакцию 8 октября 2008 г.

Малыхина Мария Петровна - канд. техн. наук, профессор кафедры ВТ и АСУ, Кубанский государственный технологический университет, г. Краснодар. Тел. (861) 237-47-21

Бегман Юлия Викторовна - ассистент кафедры ВТ и АСУ, Кубанский государственный технологический университет, г. Краснодар. Тел. (918) 158-12-45. E-mail: begmanyuka@mail.ru

Malykhina Maria Petrovna - Candidate of Technical Sciences, professor, department VT and ASU, Kuban State Technological University, Krasnodar. Ph. (861) 237-47-21

Begman Julia Viktorovna - Doctor of Technical Sciences, assistant department VT and ASU, Kuban State Technological University, Krasnodar. Ph. (918) 158-12-45. E-mail: begmanyuka@mail.ru