Нейросетевая экспертная система на основе прецедентов для решения проблем абонентов сотовой сети
На правах рукописи
Бегман Юлия Викторовна
НЕЙРОСЕТЕВАЯ ЭКСПЕРТНАЯ СИСТЕМА НА ОСНОВЕ ПРЕЦЕДЕНТОВ ДЛЯ РЕШЕНИЯ ПРОБЛЕМ АБОНЕНТОВ СОТОВОЙ СЕТИ
Специальность 05.13.01 – «Системный анализ, управление и обработка информации (информационные и технические системы)»
АВТОРЕФЕРАТ
диссертации на соискание ученой степени
кандидата технических наук
Краснодар – 2009
Работа выполнена в ГОУ ВПО «Кубанский государственный технологический университет»
| Научный руководитель: | кандидат технических наук, профессор Малыхина Мария Петровна |
| Официальные оппоненты: | доктор технических наук, профессор Косачев Вячеслав Семенович кандидат технических наук Мягкий Алексей Евгеньевич |
| Ведущая организация: | ГОУ ВПО «Кубанский государственный университет» |
Защита диссертации состоится «27» января 2010 г. в 14 часов на заседании диссертационного совета Д 212.100.04 в ГОУ ВПО «Кубанский государственный технологический университет» по адресу: 350072, г. Краснодар, ул. Московская, 2, А-229
С диссертацией можно ознакомиться в библиотеке Кубанского государственного технологического университета по адресу: 350072, г. Краснодар, ул. Московская, 2А
Автореферат разослан «23» декабря 2009 г.
Ученый секретарь
диссертационного совета Д 212.100.04
канд. техн. наук, доцент Власенко А.В.
ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ
Актуальность проблемы. С ростом спроса на телекоммуникационные услуги растет и число обращений в телекоммуникационные компании, связанных с вопросами пользования услугами, настройки и обслуживания оборудования, а также разрешения возможных проблем, возникающих в процессе использования услуг. С точки зрения системного анализа, проблема – это несоответствие между существующим и требуемым (целевым) состоянием системы при данном состоянии среды в рассматриваемый момент времени. Исходя из данного определения, проблемой абонента сотовой сети будем считать несоответствие между существующим и требуемым состоянием сети сотовой связи при данном состоянии среды в рассматриваемый момент времени. Состояние сети сотовой связи характеризуется функционированием всех устройств, предлагаемым набором услуг и сервисов.
Короткое время на анализ проблемных ситуаций и принятие решения, большой объем информации, характеризующей сложившуюся ситуацию, трудность решения плохо формализуемых и слабоструктурируемых задач при отсутствии полной и достоверной информации о состоянии сети сотовой связи и функционировании ее элементов приводят к несоответствию возможностей человека требованиям эффективно решать указанные проблемы. Выход из данного положения заключается в создании советующих систем, которые помогали бы лицу, принимающему решения (ЛПР, оператору), вырабатывать и принимать рациональные решения по идентификации причин возникновения проблемных ситуаций. В связи с этим разработка и внедрение нейросетевой экспертной системы на основе прецедентов (НЭСП) для решения проблем абонентов сотовой сети связи является актуальной научно-технической задачей.
Цель работы. Разработка НЭСП на базе комплексного подхода к проблеме эффективного управления взаимоотношениями с абонентами сотовой сети связи, включающего использование технологий экспертных систем, нейронных сетей, рассуждений на основе прецедентов, а также создание моделей, алгоритмов и программ поддержки деятельности ЛПР, осуществляющего взаимодействие с абонентами сети сотовой связи.
Задачи исследования:
- проведение анализа наиболее популярных систем управления сетями сотовой связи и взаимоотношениями с клиентами;
- исследование существующих методов и приемов поддержки принятия решений для задач управления взаимоотношениями с абонентами сотовых сетей связи;
- анализ различных технологий интеллектуальных систем, способов их взаимодействия и комбинирования;
- построение математических моделей компонентов НЭСП: продукционной нечеткой базы знаний о проблемах абонентов, нечеткого контроллера на основе нейронной сети, базы знаний прецедентов проблем;
- разработка комплекса алгоритмов: обработка заявок абонентов, поиск решения проблем абонентов на основе прецедентов и с использованием нечеткой нейронной сети;
- создание нейросетевой экспертной системы на основе прецедентов для решения проблем абонентов сотовой сети связи;
- исследование эффективности разработанной НЭСП с использованием следующих групп показателей: функциональная пригодность, оперативность, надежность, экономичность системы;
- разработка и внедрение в опытную эксплуатацию программного обеспечения НЭСП для решения проблем абонентов сотовой сети.
Научная новизна:
- исследованы существующие подходы к решению задач управления взаимоотношениями компаний-операторов с абонентами сотовых сетей;
- теоретически обоснован новый подход к построению интеллектуальной системы для решения проблем абонентов сотовой сети связи, базирующийся на комплексном использовании технологий экспертных систем, нейронных сетей, нечеткой логики и рассуждений на основе прецедентов;
- разработано математическое обеспечение для построения НЭСП, включающее: продукционную нечеткую базу знаний о проблемах абонентов, нечеткий контроллер на основе нейронной сети, базу знаний прецедентов проблем;
- созданы алгоритмы поиска решения проблем абонентов на основе прецедентов и с использованием нечеткой нейронной сети;
- разработана нейросетевая экспертная система на основе прецедентов для решения проблем абонентов сотовой сети связи;
- проведены экспериментальные исследования по проверке эффективности разработанной системы.
Практическая ценность работы. Первая версия программного обеспечения нейросетевой экспертной системы на основе прецедентов для решения проблем абонентов сотовой сети после проведения тестирования, испытания и оценки специалистов передана в 2009 году в опытную эксплуатацию в филиал ОАО «МТС» в Республике Калмыкия, а также в Краснодарский филиал ЗАО «Астарта», работающей под брендом «SkyLink». Комплексный подход при разработке НЭСП, методики построения баз знаний нечетких продукций и прецедентов, алгоритмы поиска решений на основе прецедентов и нейронной сети используются в учебном процессе КубГТУ (на кафедре ВТиАСУ в программе дисциплины «Системы искусственного интеллекта»). По результатам проделанной работы получены акты внедрения.
Апробация работы. Основные положения работы апробированы на II, V, VI Всероссийских научных конференциях молодых ученых и студентов «Современное состояние и приоритеты развития фундаментальных наук в регионах» (Краснодар, 2005, 2008, 2009), XIV Всероссийской научно-практической конференции «Инновационные процессы в высшей школе» (Краснодар, 2008), Международной научной конференции «Технические и технологические системы» (Краснодар, 2009).
Публикации. По теме диссертации опубликовано 12 работ, из них 5 статей (в том числе 2 в изданиях, рекомендованных ВАК), 7 тезисов докладов на вышеперечисленных конференциях.
Основные положения, выносимые на защиту:
- принципы построения и структура нейросетевой экспертной системы на основе прецедентов для решения проблем абонентов сотовой сети связи;
- алгоритмы основных методов поиска решения проблем абонентов сотовой сети связи;
- модели баз знаний прецедентов и нечетких продукций;
- программное обеспечение интеллектуальной системы для решения проблем абонентов сотовой сети связи.
Структура и объем работы. Диссертационная работа состоит из введения, пяти глав, заключения, списка использованных источников из 115 наименований и 4 приложений на 31 страницах. Объем основного текста составляет 185 страниц машинописного текста, в том числе 69 рисунков и графиков, 19 таблиц.
КРАТКОЕ СОДЕРЖАНИЕ ДИССЕРТАЦИИ
Во введении обоснована актуальность темы исследования, сформулирована цель работы, изложены полученные автором основные результаты проведенных исследований, показана их научная новизна, практическая значимость, отражены основные положения, выносимые на защиту.
В первой главе проведен анализ методов и программных средств для решения проблем, связанных с обслуживанием абонентов сотовых сетей связи. Исследование показало, что принятие решений в области управления телекоммуникационными сетями, а в частности, в вопросах решения проблем обслуживания абонентов таких сетей – это сложная и многокритериальная задача. Одним из узких мест при ее решении является процедура поиска причины возникновения проблем с предоставлением услуг сотовой связи абоненту. Данная задача требует минимума времени на ее решение и максимума достоверности найденного решения выявленной проблемы. Сложность проблемы заключается также и в том, что состояние и динамика процессов функционирования сотовой сети связи не может быть описана однозначно с помощью четких математических моделей.
На основании проведенного анализа направлений деятельности операторов, обслуживающих абонентов сотовых сетей, сделан вывод о необходимости использования интеллектуальных систем (ИС), объединяющих ранее накопленных опыт в области эксплуатации сотовой сети связи. В результате исследования различных технологий ИС и способов их взаимодействия обоснована целесообразность гибридизации различных интеллектуальных компонентов. В заключении главы сформулированы цели и задачи исследования.
Во второй главе диссертации рассмотрены теоретические основы и решены вопросы разработки математического обеспечения НЭСП для решения проблем абонентов сотовой сети связи. Математическое описание нейросетевой экспертной системы на основе прецедентов имеет вид:
.
В НЭСП база знаний содержит знания в виде продукций 
и в виде прецедентов 
; 
– системообразующие отношения ИС. Поиск решений разбивается на нейросетевой 
и прецедентный 
с 
– алгоритмом определения похожих прецедентов. Обучение нейросети 
производится на основе данных из прецедентов.
Модель системы решения проблем обслуживания абонентов представлена в виде нелинейного объекта (рисунок 1) с множеством входных 
и выходных переменных 
:
. (1)
Рисунок 1 – Модель системы решения проблем обслуживания абонентов
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
, (2)
где 
– оценка, соответствующая наименьшему значению входной 
(или выходной 
) переменной; 
– оценка, соответствующая наибольшему значению входной 
(или выходной 
) переменной; m – мощность множества U.
Примем, что вектор 
– фиксированные значения входных переменных рассматриваемой модели системы, где 
. Задача поиска решения состоит в том, чтобы на основе вектора 
определить выходной вектор 
. Входные и выходные переменные будем рассматривать как лингвистические переменные, заданные на универсальных множествах U.
Для оценки лингвистических переменных используются качественные термы из следующего терм-множества:
, (3)
где A – терм-множество переменных 
и 
, 
– j-ый лингвистический терм переменной 
или 
, 
,
, 
.
Лингвистические термы 
вычисляются так: 
, где 
– степень принадлежности элемента 
терму 
, 
, 
. Задача построения функций принадлежности элементов 
терм-множеству 
сводится к определению степеней принадлежности 
для всех 
,
.
В соответствии с (1) выбрана MIMO-структура (Multiple Input – Multiple Output) нечеткой базы знаний вида:
(4)
где l – номер правила, 
, L – число правил, 
и 
– нечеткие термы для оценки входной переменной 
и выходной переменной 
, (
,
, 
) в l-том правиле, соответственно.
Систему логических высказываний (4) преобразуем с помощью операций 
и 
:
, (5)
где 
, 
, 
.
Нечеткая база знаний вида (5) называется базой знаний Мамдани.
Для реализации процесса извлечения знаний из нечеткой базы знаний используется механизм нейро-нечеткого логического вывода в виде нечеткого контроллера на основе нейронной сети – NNFLC (Neurons Network Fuzzy Logic Controller) (рисунок 2).
Рисунок 2 – Структура нейро-нечеткого контроллера NNFLC
Структурно NNFLC – это многослойная сеть прямого распространения сигнала, причем различные слои выполняют разные функции.
Слой 1: представляет функции принадлежности, реализованные как радиальные базисные нейроны: 
.
Слой 2: моделирует И-условия правил: 
.
Слой 3: представляет собой ИЛИ-комбинацию правил с одинаковыми термами в консеквентах: 
. В режиме обучения слой настраивает параметры функций принадлежности выходных переменных. В рабочем режиме формирует выход.
Слой 4: в рабочем режиме нейроны выполняют дефаззификацию: 
. В режиме обучения – это дополнительный вход, выполняющий нормализацию, позволяющий настроить функцию принадлежности выходной переменной:
.
Структура нечеткой нейронной сети (ННС) NNFLC инициализируется по принципу формирования полной матрицы правил.
Математическое определение базы знаний прецедентов имеет вид 
, где 
– множество прецедентов, I – совокупность индексных термов, определяющих принадлежность прецедента к классу K.
В третьей главе диссертационной работы рассмотрены архитектурные особенности НЭСП для решения проблем абонентов сотовой сети связи. На рисунке 3 представлена структурная схема системы. Входными данными для НЭСП является информация из заявки, подаваемой абонентом сети. Заявка содержит общие данные, технические параметры, перечень действий, проводимых по заявке.
Рисунок 3 – Структура НЭСП
Разработан алгоритм извлечения прецедентов из БЗП с использованием евклидовой метрики. Входными данными для алгоритма являются:
- описание возникшей у абонента проблемы
, включающее n значений параметров, характеризующих ситуацию; - 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.
Шаг 1. SP=, j=1 и переходим к следующему шагу.
Шаг 2. Если jM выбираем прецедент Aj из множества BP (AjBP) и переходим к шагу 3, иначе прецеденты рассмотрены и переходим к шагу 7.
Шаг 3. Рассчитываем расстояние 
по евклидовой метрике между выбранным прецедентом Aj и текущей ситуацией P с учетом коэффициентов важности параметров:
Шаг 4. Рассчитываем расстояние 
по евклидовой метрике для граничных значений параметров:
Шаг 5. На этом шаге вычисляем степень сходства 
или в процентах 
, если пороговое значение K задано в процентах, и переходим к шагу 6.
Шаг 6. Если 
, то данный прецедент Aj добавляем в результирующее множество SP (AjSP), т.е. извлекаем данный прецедент из БЗП. После проверки j=j+1 и переходим к шагу 2.
Шаг 7. Если SP=, то прецеденты для текущей проблемной ситуации не найдены и переходим к шагу 9 с выдачей сообщения для оператора о необходимости уменьшения порогового значения K, иначе прецеденты для текущей ситуации успешно извлечены и переходим к следующему шагу.
Шаг 8. Найденные прецеденты упорядочиваются по убыванию значений степени сходства с текущей ситуацией и представляются оператору.
Шаг 9. Конец (завершение алгоритма).
Обучение нейронной сети производится следующим образом.
Шаг 1. Задается обучающая выборка, состоящая из множества примеров следующего вида: 
, 
, где 
– значения входных переменных 
(
) и 
– значения выходных переменных 
(
) в k-ом примере; K – общее число примеров в обучающей выборке. Значения входных и выходных переменных задаются функциями принадлежности соответствующих термов:
, 
.
Вводим обозначение 
и 
в качестве значений функций принадлежности термов входных и выходных переменных соответственно.
Шаг 2. Настройка параметров функций принадлежности включает в себя определение центров 
и ширины 
для функций принадлежности, представленных функциями формы:
.
Используется алгоритм самоорганизации обучающих данных, который автоматически разделяет пространство на кластеры. Центр кластера отождествляется с центром радиальной базисной функции. Предварительный выбор центров 
осуществляется случайным образом на основе равномерного распределения.
Матрица весов связей 
задается, следуя условиям:
где T – количество нейронов во входном слое.
После предъявления k-го вектора 
из обучающего множества выбирается центр 
, ближайший к 
по Евклидовой метрике:
.
Этот центр подвергается уточнению в соответствии с алгоритмом победителя (алгоритм WTA): 
, где 
– монотонно убывающий уровень обучения. Остальные центры не изменяются. Все обучающие векторы 
предъявляются несколько раз в случайном порядке вплоть до стабилизации значений центров.
Настройка ширины 
осуществляется эвристически, по принципу «первого ближайшего соседа»: 
, где – параметр перекрытия. Выходы каждого слоя вычисляются по формулам:
,
,
.
Алгоритм победителя ищет матрицу весов 
, которая оценивает качество связей левой и правой частей правил: 
, где 
.
Шаг 3. Комбинирование правил выполняется с участием эксперта.
Шаг 4. Окончательная настройка функций принадлежности выполняется с помощью алгоритма обратного распространения ошибки для функции ошибки 
в отношении векторов 
. Для K обучающих пар целевая функция ошибки задается в виде:
.
По величине погрешности определяется вектор градиента целевой функции относительно конкретных центров 
и ширины 
:
, 
.
Многократное повторение циклов обучения ведет к полному и быстрому обучению сети.
Поиск решения проблемы абонента с помощью нейросетевого механизма производится по созданному алгоритму (рисунок 4).
Рисунок 4 – Алгоритм нейросетевого поиска решения проблемы
В четвертой главе диссертации рассмотрены особенности программной реализации НЭСП. Обоснован выбор объектно-ориентированного языка программирования C# в составе среды разработки программ Microsoft Visual Studio 2005 в качестве основного средства программирования НЭСП. Проанализированы современные средства разработки баз данных и сделан выбор в пользу СУБД Microsoft SQL Server 2005.
Разработана продукционная нечеткая база знаний для системы решения проблем абонентов сотовой сети, сформированы наборы обучающих данных для нейросетевого механизма поиска. Произведена программная реализация нечеткой нейронной сети, реализован алгоритм обучения и поиска решения с помощью нейросети. Разработана база данных заявок абонентов. Определена форма представления прецедента, построена база знаний прецедентов (рисунок 5) и осуществлена программная реализация поиска прецедента.
Рисунок 5 – Структура базы знаний прецедентов НЭСП
Для повышения быстродействия и эффективности поиска прецедента в БЗП произведена классификация полного пространства прецедентов по количеству инцидентов в прецеденте.
Пятая глава диссертации посвящена экспериментальному исследованию работоспособности и эффективности НЭСП для решения проблем абонентов сотовой сети связи. В качестве показателей эффективности выбраны четыре группы показателей: функциональные, оперативные, экономические показатели и показатели надежности (таблица 1).
Разработана методика проведения эксперимента по проверке работоспособности и эффективности разработанной ИС. При тестировании НЭСП в реальных условиях система была установлена на компьютерах двух операторов центра обслуживания вызовов абонентов сотовой сети. Один оператор пользовался только базой данных заявок абонентов, а другой использовал дополнительно интеллектуальную подсистему обслуживания заявок. Эксперимент проводился в течение недели круглосуточно, чтобы учесть фактор влияния дня недели и времени суток на частоту поступления и время обработки заявок абонентов (таблица 2).
Таблица 1 – Перечень показателей оценки эффективности НЭСП
| № | Показатель | Объект оценки |
| 1) Функциональная пригодность | ||
| Общее число заявок абонентов | Система в целом | |
| Коэффициент выявления причин проблем | Подсистема поиска по прецедентам Подсистема нейросетевого поиска Система в целом | |
| Коэффициент необработанных заявок | Подсистема поиска по прецедентам Подсистема нейросетевого поиска Система в целом | |
| Коэффициент точности идентификации причин проблем | Подсистема поиска по прецедентам Подсистема нейросетевого поиска Система в целом | |
| Уровень сложности проблем | Система в целом | |
| 2) Оперативность | ||
| Продолжительность обработки заявок | Система в целом | |
| Продолжительность поиска решения проблемы | Подсистема поиска по прецедентам Подсистема нейросетевого поиска Неинтеллектуальная часть системы | |
Окончание таблицы 1
| № | Показатель | Объект оценки |
| Средняя продолжительность обработки заявки | Подсистема поиска по прецедентам Подсистема нейросетевого поиска Неинтеллектуальная часть системы | |
| Количество операторов | Интеллектуальная часть системы Неинтеллектуальная часть системы | |
| 3) Надежность | ||
| Длительность работоспособного состояния системы | Система в целом | |
| 4) Экономичность | ||
| Стоимость разработки | Система в целом | |
| Стоимость эксплуатации | Система в целом | |
| Средняя стоимость обработки одной заявки абонента | Система в целом | |
| Годовая экономия средств | Система в целом | |
| Годовой экономический эффект | Система в целом | |
| Коэффициент экономической эффективности | Система в целом | |
| Срок окупаемости затрат (лет) | Система в целом | |
Таблица 2 – Результаты тестирования НЭСП в реальных условиях
| Показатель | Интеллектуальная подсистема | Неинтеллектуальная часть системы | Система в целом | |
| Подсистема поиска по прецедентам | Подсистема нейросетевого поиска | |||
| Общее число заявок абонентов | 347 | 471 | 572 | 1390 |
| 818 | ||||
| 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 | 168 |
| 59,59 | ||||
| Продолжительность поиска решения проблемы | 1,39 | 0,59 | 12,45 | 4,51 |
| 1,09 | ||||
| Средняя продолжительность обработки заявки | 5,54 | 3,13 | 15 | 7,59 |
| 4,33 | ||||
| Количество операторов | 1 | 1 | 2 | |
Проведена экономическая оценка эффективности внедрения нейросетевой экспертной системы на основе прецедентов для решения проблем абонентов сотовой сети по следующим частным критериям: стоимость разработки, стоимость эксплуатации, годовая экономия средств, годовой экономический эффект, срок окупаемости затрат.
Расчеты показали, что расходы на создание и поддержку системы окупаются за 3,5 года эксплуатации, а использование интеллектуальной поддержки НЭСП в работе оператора сотовой связи дает ежегодную экономию средств в размере 87631 руб. и экономический эффект в размере 25231 руб. в год.
В заключении приводится обобщение основных результатов диссертационной работы.
В приложениях приведены листинги разработанных программных средств, таблицы баз данных и копии актов о внедрении результатов исследования.
ОСНОВНЫЕ РЕЗУЛЬТАТЫ И ВЫВОДЫ
Основным научным результатом диссертационной работы является теоретическое обоснование, исследование методов построения и разработка нейросетевой экспертной системы на основе прецедентов для решения проблем абонентов сотовой сети связи.
Основные теоретические и практические результаты работы заключаются в следующем.
- Исследованы современные системы управления сетями сотовой связи и взаимоотношениями с клиентами. Проанализированы методы решения проблем, возникающих у абонентов в процессе эксплуатации сети сотовой связи, и сделан вывод о целесообразности гибридизации различных интеллектуальных технологий с целью создания единой советующей системы для решения проблем абонентов.
- Теоретически обосновано математическое описание процесса управления сетью сотовой связи, определены роли ЛПР и центра обслуживания вызовов в контексте решения проблем абонентов. Выделены типы критических ситуаций, возникновение которых ведет к появлению проблем с качеством связи у абонентов.
- Разработана математическая модель нейросетевой экспертной системы на основе прецедентов для решения проблем абонентов сотовой сети связи, математически описаны компоненты системы и процессы взаимодействия ее интеллектуальных составляющих.
- Построена математическая модель нечеткой базы знаний с MIMO-структурой, включающая знания о проблемах, возникающих у абонентов в процессе эксплуатации сети сотовой связи. Определен состав и дана характеристика входных и выходных лингвистических переменных и их термов.
- Разработана математическая модель системы нечеткого нейросетевого вывода, использующая нечеткий контроллер на основе нейронной сети NNFLC. Обосновано использование нейросетевого подхода к реализации нечеткого логического вывода. Реализован модуль объяснения решения, полученного механизмом нейросетевого поиска.
- Определена структура прецедента и построена математическая модель базы знаний прецедентов. Разработан алгоритм поиска решения по прецедентам на основе модификации метода поиска «ближайшего соседа».
- Программно реализована нейросетевая экспертная система на основе прецедентов для решения проблем абонентов сотовой сети, осуществляющая функции советующей интеллектуальной системы в вопросах решения проблем, возникающих в процессе эксплуатации сети сотовой связи. Разработана база данных заявок абонентов, которая используется как для регистрации заявок, так и для формирования на их основе прецедентов и правил баз знаний.
- Определены показатели эффективности функционирования разработанной НЭСП. Проведен эксперимент по проверке работоспособности и эффективности системы. Рассчитанные показатели позволяют утверждать, что разработанная НЭСП обладает надежным программным обеспечением, хорошими возможностями по идентификации причин проблем абонентов, и может выявлять эти причины с высокой степенью достоверности и высокой скоростью.
- Проведена экономическая оценка эффективности внедрения разработанной НЭСП по следующим показателям: стоимость разработки, стоимость эксплуатации, годовая экономия средств, годовой экономический эффект, срок окупаемости затрат. Расчеты показали, что расходы на создание и поддержку системы окупаются за 3,5 года эксплуатации, а использование интеллектуальной поддержки НЭСП в работе оператора сотовой связи дает ежегодную экономию средств в размере 87631 руб. и экономический эффект в размере 25231 руб. в год.
Основное содержание диссертации опубликовано
в следующих работах:
- Бегман Ю.В. Процесс опроса нейросетевых экспертных систем // Труды II Всероссийской научной конференции молодых ученых и студентов. – Краснодар: Просвещение-Юг, 2005.
- Малыхина М.П., Бегман Ю.В. Нейросетевой подход к проектированию экспертных систем // Труды II Всероссийской научной конференции молодых ученых и студентов. – Краснодар: Просвещение-Юг, 2005.
- Частиков А.П., Малыхина М.П., Бегман Ю.В. Гибридные экспертные системы: нейросетевой подход // Труды КубГТУ. – Краснодар: Кубан. гос. технол. ун-т, 2005. – Т. XXV – Сер.: Информатика и управление. – Вып. 3.
- Частиков А.П., Малыхина М.П., Бегман Ю.В. Нейросетевые экспертные системы: механизм логического вывода // Труды КубГТУ. – Краснодар: Кубан. гос. технол. ун-т, 2005. – Т. XXV – Сер.: Информатика и управление. – Вып. 3.
- Малыхина М.П., Бегман Ю.В. Нейросетевые экспертные системы: обучение нейронной сети // Труды КубГТУ. – Краснодар: Кубан. гос. технол. ун-т, 2005. – Т. XXV – Сер.: Информатика и управление. – Вып. 3.
- Малыхина М.П., Бегман Ю.В. Гибридные нейроэкспертные системы в образовании // Материалы XIV Всероссийской научно-практической конференции «Инновационные процессы в высшей школе». – Краснодар: Изд. ГОУ ВПО КубГТУ, 2008.
- Бегман Ю.В. Нейросетевая экспертная система на основе прецедентов // Труды V Всероссийской научной конференции молодых ученых и студентов. – Краснодар: Просвещение-Юг, 2008.
- Бегман Ю.В. Нейро-экспертная прецедентная система обслуживания абонентов сотовой сети // Журнал научных публикаций аспирантов и докторантов. – Курск, 2008. – №10.
- 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.
- Малыхина М.П., Бегман Ю.В. Модель интеллектуальной системы управления сетью сотовой связи // Материалы международной научной конференции «Технические и технологические системы». – Краснодар, 2009.
- Бегман Ю.В. К проблеме построения систем обслуживания абонентов сетей сотовой связи // Материалы международной научной конференции «Технические и технологические системы», Краснодар, 2009.
- Бегман Ю.В., Титов А.В. Нейросетевая экспертная система на основе прецедентов для решения проблем обслуживания абонентов сотовой сети связи // Труды VI Всероссийской научной конференции молодых ученых и студентов. – Краснодар: Просвещение-Юг, 2009.
