Оценка эффективности гибридизации интеллектуальных методов на примере нейросетевой экспертной системы на основе прецендентов
Полученная нейросетевая модель ЭС способна сохранять опыт системы в целом в неявном виде. Для извлечений ответа необходимо проводить опрос системы и производить нейровычисления. 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… Читать ещё >
Оценка эффективности гибридизации интеллектуальных методов на примере нейросетевой экспертной системы на основе прецендентов (реферат, курсовая, диплом, контрольная)
Разработки в области гибридных интеллектуальных систем (ГИС) являются на сегодняшний день одним из актуальных направлений в тех областях, где решение задач традиционными математическими способами и алгоритмами не дает необходимых результатов. Известно несколько путей интеграции технологий экспертных систем (ЭС) и нейронных сетей [1,7,8]:
- 1) интеграция в ГИС;
- 2) разработка коннекционистских экспертных сетей и унифицированных нейросетей;
- 3) повышение качества знаний за счет использования нейросетей;
- 4) извлечение правил из обученных нейросетей для использования в ЭС или трансляция правил предметной области в нейросеть;
- 5) интеграция знаний о предметной области в нейросетях;
- 6) конвертирование нейросетей в деревья решений или наоборот.
Постановка и решение задачи. Целью работы является обоснование эффективности применения технологий гибридизации в области интеллектуальных систем. Задача работы — предложить новый способ гибридизации интеллектуальных вычислений и доказать его практическую значимость. гибридный система интеллектуальный модель.
Модель интеллектуальных вычислений в гибридной системе. В технологии экспертных систем и нейронных сетей используются различные модели вычислений. Модель вычислений в экспертных системах приведена ниже [2]:
где — база знаний в форме продукционных правил; - база фактов о системе; - база выводов, формируемая интерпретатором в ходе работы, содержащая информацию о причинах изменений в базе выводов и комментарии, внесенные экспертом в базу знаний для объяснений; - системообразующие отношения; - интерпретатор, представленный четверкой циклически выполняемых последовательно процессов:
где — процесс выбора из базы знаний подмножества активных правил; - процесс сопоставления с образцом для активных правил; - процесс разрешения конфликтов правил; - процесс выполнения правила, т. е. использование его в рассуждениях.
Модель нейровычислений представима следующим образом [1]:
где — архитектура нейросети; , — множества входов и выходов нейросети; - множество моделей нейронов; - обучающая и тестирующая последовательности; , — интерпретаторы обучения и нейровычислений соответственно.
Таким образом, интегрированная нейро-экспертная модель вычислений будет иметь следующий вид [2]:
где — новый набор системообразующих отношений.
Полученная нейросетевая модель ЭС способна сохранять опыт системы в целом в неявном виде. Для извлечений ответа необходимо проводить опрос системы и производить нейровычисления. 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 [4]. Модель вычислений с использованием методов рассуждений на основе прецедентов имеет следующий вид [1,2]:
где , — базы единиц прецедентов и общих знаний о предметной области; - алгоритм поиска похожих прецедентов .
Интерпретатор, используя и, обрабатывает информацию в базе прецедентов, и представляет собой совокупность процессов:
где — обнаружение; - адаптация; - пересмотр; - сохранение.
Если включить в модель нейросетевой ЭС вычисления на основе прецедентов, то полученная ГИС окажется более функциональной, сохранив при этом свою гибкость [2]:
В нейросетевой экспертной системе на основе прецедентов (НЭСП) база знаний содержит знания в виде продукций и в виде прецедентов; - системообразующие отношения новой ГИС. Поиск решений в новой системе разбивается на нейросетевой и прецедентный с — алгоритмом определения похожих прецедентов. Обучение нейросети производится на основе данных из прецедентов.
Работоспособность представленной гибридной модели подтверждается исследованиями, проведенными ранее авторами работы[3]. Предложенная модель гибридной интеллектуальной системы была применена в области решения проблем абонентов сотовой сети.
Нейросетевая экспертная система на основе прецедентов. В общей структуре НЭСП главенствует основной модуль-интегратор, который управляет взаимодействием интеллектуальных и программных модулей. Интеллектуальная подсистема включает следующие компоненты:
- — модуль приобретения знаний — включает анализ и извлечение входной информации из базы данных абонентов (БДА); входные данные преобразуются в форму прецедента или в форму продукционного нечеткого правила;
- — база знаний прецедентов (БЗП);
- — продукционная нечеткая база знаний (ПНБЗ) содержит правила в форме нечетких продукций;
- — механизм поиска по прецедентам (МПП);
- — блок обучения нейронной сети — преобразует правила из ПНБЗ в обучающие выборки для нейронной сети;
- — нейро-нечеткий механизм (ННМ) — программный блок, реализующий структуру нечеткого контроллера на основе нейронной сети;
- — блок объяснений решения;
- — блок адаптации данных (АД) — преобразует результат нейросетевого поиска решения в форму нового прецедента.
На рисунке 1 представлена структурная схема НЭСП.
Рисунок 1 Структура нейросетевой экспертной системы на основе прецедентов Модель подсистемы обслуживания абонентов можно представить, согласно [4], в виде нелинейного объекта с множеством входных и выходных переменных :
Входные переменные представляют собой характеристики проблемы, которая возникла у абонента. В качестве выходных переменных выступают причины, повлекшие возникновение проблемы. Входные и выходные переменные могут принимать только качественные значения, причем известно множество всех возможных значений этих переменных:
где — оценка наименьшего значения входной (или выходной) переменной; - оценка, соответствующая наибольшему значению входной (или выходной) переменной; m — мощность множества .
Структура прецедента из БЗП включает общие данные о моменте регистрации прецедента, данные, характеризующие возникшую проблему, принятое решение и описание результата выбора решения (проблема ликвидирована или нет).
Функциональная схема НЭСП (Рисунок 2) включает ряд этапов [3].
Рисунок 2 Функциональная схема НЭСП Сначала выполняется процедура сбора первичных данных — принятие и регистрация заявки абонента в подсистеме обслуживания абонентов. Следующий (интеллектуальный) этап работы НЭСП включает два режима: 1 — режим приобретения знаний и настройка интеллектуальных компонентов; 2 — режим поиска решения (поиск по прецедентам и нейро-нечеткий поиск).
Поиск решения с помощью базы знаний прецедентов (Рисунок 3) работает с использованием евклидовой метрики [5].
Рисунок 3 Алгоритм поиска прецедента Входными данными для алгоритма являются: описание проблемы, включающее n значений параметров, характеризующих проблему абонента; BP — непустое множество прецедентов; - веса (коэффициенты важности) параметров; M — количество рассматриваемых прецедентов из БЗП; K — пороговое значение степени сходства. Выходные данные: множество прецедентов SP, которые имеют степень сходства больше (или равную) порогового значения K.
Если проблема ранее не решалась и прецедент отсутствует в БЗП, то задание передается на вход нейро-нечеткого механизма, реализованного на основе нейросети NNFLC (Neurons Network Fuzzy Logic Controller) [6].
Обобщенный алгоритм обучения нечеткой нейронной сети (ННС) для системы НЭСП представлен на рисунке 4 [3,6].
Рисунок 4 Алгоритмы обучения нечеткой нейронной сети NNFLC (слева) и нейросетевого поиска решения проблемы (справа) Когда ННС обучена, она используется в рабочем режиме для поиска решения проблемы абонента (см. рисунок 4). Используемые обозначения: — значения входных переменных (); - значения выходных переменных () в k-ом примере; - эталонные значения выходных переменных в k-ом примере; K — общее число примеров в обучающей выборке; - центры и — ширина для функций принадлежности; - матрица весов связей; - монотонно убывающий уровень обучения; - параметр перекрытия.
Оценка эффективности. Тестирование НЭСП показало, что предлагаемый подход к интеграции трех технологий интеллектуальных вычислений является эффективным для решения интеллектуальных задач в системах сотовой связи. Метод тестирования системы, структура и состав тестовых данных приведены в [3]. Результаты тестирования программных средств системы представлены в таблице.
Таблица Результаты тестирования НЭСП.
Показатель. | Интеллектуальная подсистема. | Неинтел-лектуальная часть системы. | Система в целом. | ||
Поиск по прецедентам. | Нейросетевой поиск. | ||||
Общее число заявок абонентов. | |||||
Коэффициент выявления причин проблем. | 93,37%. | 100,00%. | 91,96%. | 95,11%. | |
96,69%. | |||||
Коэффициент необработанных заявок. | 6,63%. | 0,00%. | 8,04%. | 4,96%. | |
6,63%. | |||||
Коэффициент точности идентификации причин проблем. | 96,50%. | 99,72%. | 81,33%. | 92,52%. | |
98,11%. | |||||
Продолжительность обработки заявок (час.). | 35,16. | 24,54. | 143,00. | ||
59,59. | |||||
Продолжительность поиска решения. | 1,39. | 0,59. | 12,45. | 4,51. | |
1,09. | |||||
Средняя продолжительность обработки заявки. | 5,54. | 3,13. | 7,59. | ||
4,33. | |||||
Высокие показатели эффективности использования ГИС типа НЭСП позволяют подтвердить работоспособность предложенной модели и расширить круг применения системы: интеллектуальная система с типом гибридизации НЭСП может быть применима в различных областях деятельности, связанных с принятиями решений, в качестве системы поддержки принятия решений.
Заключение
Данная работа позволяет оценить высокую значимость применения интеллектуальных технологий в областях, где решение задач традиционными математическими способами и алгоритмами не дает ожидаемых результатов. Более того, доказана эффективность применения гибридизации интеллектуальных методов с целью улучшения показателей работоспособности систем интеллектуального поиска данных.
- 1. Колесников А. В., Кириков И. А. Методология и технология решения сложных задач методами функциональных гибридных интеллектуальных систем. М., ИПИ РАН, 2007. 387 с.
- 2. 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. № 3. 2009. С. 6 — 9.
- 3. Малыхина М. П., Бегман Ю. В. Нейросетевая экспертная система на основе прецедентов для решения проблем абонентов сотовой сети: монография. Краснодар: Юг, 2011. 148 с.
- 4. Варшавский П. Р. Реализация метода правдоподобных рассуждений на основе прецедентов для интеллектуальных систем поддержки принятия решений // Труды 10 национальной конференции по ИИ с международным участием КИИ-2006. В 3-х т. М.: Физматлит., 2006. Т.1. С. 303 — 311.
- 5. Нечеткие гибридные системы. Теория и практика. / Батыршин И. З., Недосекин А. О., Стецко А. А., Тарасов В. Б., Язенин А. В., Ярушкина Н. Г.; Под ред. Ярушкиной Н. Г. М.: Физматлит, 2007. 208 с.
- 6. Бегман Ю. В. Нейросетевой подход к решению проблем абонентов сотовых сетей. // Materiaіy VII Miкdzynarodowej naukowi-praktycznej konferencji «Dynamika naukowych badaс — 2011"/ Volume 18/ Matematyka. Nowoczesne informacyjne technologie. Budownictwo i architektura: Przemyњl, 2011. С. 29 — 31.
- 7. Симанков В. С., Частикова В. А. Генетические алгоритмы и поиск оптимальных решений // Автоматизация и современные технологии. 2003. № 6. С. 36 -45.
- 8. Частикова В. А. Идентификация механизмов реализации операторов генетического алгоритма в экспертных системах продукционного типа / В. А. Частикова // Научный журнал КубГАУ [Электронный ресурс]. Краснодар: КубГАУ, 2012. № 75(01). — Шифр Информрегистратора: 421 200 012/0024. Режим доступа: http://ej.kubagro.ru/2012/01/pdf/17.pdf.