Оглавление
Список используемых обозначений и сокращений. 5
Введение. 6
1 Обзор существующих решений и сущность проблемы обслуживания экспертов по оценке штучных дорогостоящих единиц. 9
1.1 Специфика предметной области и в постановке ВКР. 9
1.2 Исследование методов и приемов поддержки принятия решений. 12
1.2.1 Анализ и обоснование использования гибридной интеллектуальной системы.. 12
1.3 Выводы.. 24
2 Математическое обеспечение нейросетевой экспертной системы на основе прецедентов. 26
2.1 Определение состава и характеристик входных и выходных переменных интеллектуальной НЭСП.. 32
2.2 Структура продукционной нечеткой базы знаний. 38
2.3 Функциональная схема нейро-нечеткого логического вывода. 43
2.4 База знаний прецедентов, механизм вывода по прецедентам.. 49
2.5 Выводы по главе 2. 53
3 Структура и принципы функционирования НЭСП для решения проблем обслуживания абонентов сотовой сети. 55
3.1 Состав входных данных для системы обслуживания оценщиков. 58
3.2 Алгоритмическая реализация НЭСП.. 60
3.2.1 Алгоритм обслуживания заявки абонента с помощью НЭСП.. 60
3.2.2 Алгоритмическая реализация поиска прецедента. 62
3.2.3 Алгоритм нейросетевого поиска решения проблемы абонента. 67
3.4 Выводы по 3 главе. 77
Заключение. 79
Список использованных литературных источников. 81
Приложение 1. 89
Приложение 2. 93
ВКР – выпускная квалификационная работа
ПО – программное обеспечение
СППР – система поддержки принятия решений
ЛПР – лицо, принимающее решения
ИС – интеллектуальная система
CBR (case-based reasoning) – Рассуждения на основе прецедентов
NNFLC (Neurons Network Fuzzy Logic Controller) – Нечеткий контроллер на основе нейронной сети
ННС –Нечеткая нейронная сеть
НЭСП – Нейросетевая экспертная система на основе прецедентов
БДА – Базы данных экспертов
ПНБЗ – Продукционная нечеткая база знаний
БЗП – База знаний прецедентов
МПП – Механизм поиска по прецедентам
ННМ – Нейро-нечеткий механизм
АД – Блок адаптации данных
ННС – нечеткая нейронная сеть
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 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, вырабатывать и принимать рациональные решения по идентификации причин возникновения проблемных ситуаций. В связи с этим разработка и внедрение нейросетевой экспертной системы на основе прецедентов для решения проблем экспертов по оценке штучных дорогостоящих единиц является актуальной научно-технической задачей.
Объект исследования: нейросетевая экспертная система поддержки принятия решений на основе метода прецедентов для экспертов, выполняющих технологические операции по оценке штучных дорогостоящих единиц.
Предмет исследования: математическое обеспечение нейросетевой экспертной системы на основе прецедентов для решения проблем обслуживания экспертов по оценке.
Исходя из вышеизложенного, настоящая выпускная квалификационная работа посвящена разработке принципов функционирования и технологии создания интеллектуальных систем, основанных на знаниях, предназначенных для организации эффективного взаимодействия с экспертами по оценке.
Целью выпускной квалификационной работы является исследование и предложение к использованию методики создания нейросетевой экспертной системы поддержки принятия решений на основе метода прецедентов для экспертов по оценке штучных дорогостоящих единиц.
Задачи исследования:
Научная новизна выпускной квалификационной работы заключается в том, что создан новый подход к построению интеллектуальной системы для решения проблем экспертов пот оценке штучных дорогостоящих единиц, базирующийся на комплексном использовании технологий экспертных систем, нейронных сетей, нечеткой логики и рассуждений на основе прецедентов.
Теоретические исследования проведены с использованием методов теории управления, системного анализа, исследования операций, принятия решений, алгоритмизации, моделирования, оптимизации, инженерии знаний, нечетких множеств и нечеткой логики, математической статистики, теории массового обслуживания, нейронных сетей, экспертных систем, рассуждений на основе прецедентов.
Выпускная квалификационная работа состоит из введения, трех 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.
В первой главе проведен анализ основных подходов к обслуживанию экспертов по оценке штучных дорогостоящих единиц. Выявлено, что для решения такого рода задач необходимо использование интеллектуальных систем, объединяющих ранее накопленных опыт. Исследованы различные технологии интеллектуальных систем и способы их взаимодействия. Сделан вывод о целесообразности гибридизации различных интеллектуальных компонентов.
Во второй главе рассмотрены теоретические основы и разработано математическое обеспечение для построения нейросетевой экспертной системы на основе прецедентов для решения проблем экспертов по оценке. Проведено обоснование выбора типа интеллектуальной системы. Определены основные компоненты и методы их взаимодействия. Обоснован выбор моделей вычислений, применяемых в НЭСП. Определен состав и дана характеристика входных и выходных лингвистических переменных и их термов для построения нечеткой базы знаний. Описан метод построения функций принадлежности лингвистических переменных. Построены математические модели базы знаний прецедентов, продукционной нечеткой базы знаний, нечеткого контроллера на основе нейронной сети.
В третьей главе работы разработана архитектура нейросетевой экспертной системы на основе прецедентов для решения проблем обслуживания экспертов по оценке. Определены состав и характеристики входных и выходных данных для системы обслуживания экспертов по оценке. Построен алгоритм обслуживания заявки эксперта с помощью НЭСП. Определены основные состояния, в которых может находиться заявка. Осуществлена алгоритмическая реализация поиска прецедента. Разработан алгоритм нейросетевого поиска решения проблемы эксперта. Приведены пошаговый алгоритм обучения нечеткого нейронного классификатора и метод получения решения с помощью нейросетевого механизма.
Каждая глава заканчивается краткими выводами, а вся работа – заключением.
Основным научным результатом выпускной квалификационной работы является теоретическое обоснование, исследование методов построения нейросетевой экспертной системы на основе прецедентов для решения проблем экспертов по оценке штучных дорогостоящих единиц.
Более того, высокий уровень автоматизации и интеллектуализации системы позволит снизить нагрузку на экспертов-операторов, значительно повысит эффективность их действий, увеличит надежность функционирования за счет своевременной идентификации возможных источников проблем и снизит экономические риски для компаний.
Основные теоретические результаты работы заключаются в следующем:
Основные положения работы апробированы на XLI Международной научно-практической конференции «International scientific research 2018» (Москва,2018), V Международной научно-практической конференции «Scientific perspectives 2019» (Москва,2019) с выпуском статей в научно-практическом журнале «Современные научные исследования и разработки» (см. приложение 2).