Курсовик1
Корзина 0 0 руб.

Работаем круглосуточно

Доступные
способы
оплаты

Свыше
1 500+
товаров

Каталог товаров

Нейросетевая экспертная система

В наличии
1 000 руб.

Диплом или ВКР Нейросетевая экспертная система

Категория: Дипломы(ВКР)

АП 80

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

Список используемых обозначений и сокращений

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

Введение

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:

  • анализ существующих систем поддержки принятия решений, применительно к экспертной оценке штучных дорогостоящих единиц;
  • обоснование использования нейросетевой экспертной системы поддержки принятия решений;
  • исследование математического обеспечения нейросетевой экспертной системы поддержки принятия решений;
  • исследование метода извлечения знаний;
  • исследование нейро-нечеткого метода поиска решения проблем экспертов, которая ранее не фиксировалась.

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.

Заключение

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).

Уникальность
80
Loading...