автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.01, диссертация на тему:Нейросетевая экспертная система на основе прецедентов для решения проблем абонентов сотовой сети

□□34ЭиI го

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

1 4 ЯНЗ 2010

Краснодар-2009

003490178

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 со-

товой 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 «ЗкуЬтк». 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 на-

ук 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 се-

тей 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: NES" =< КВ, КВр, А(р), R",ГР J"1 ь1р >.

В НЭСП база знаний содержит знания в виде продукций КВ и в виде прецедентов КВр; R" - системообразующие отношения ИС. Поиск решений разбивается на нейросетевой /"2 и прецедентный 1Р с А(р)- алгоритмом определения похожих прецедентов. Обучение нейросети Гр 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 {ук}'

Г{дс, },/=!, и; _

(1)

х, Х2

Хп

Система решения проблем обслуживания абонентов ,

У ->• У2

+ У я

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 = 1 ,п и выходные {ук\к = 1><У переменные могут принимать только качественные значения, причем известно множество всех возможных значений этих переменных

^ = {",>";+.....>иЛ (2)

где и/ — оценка, соответствующая наименьшему значению входной х, (или выходной ук) переменной; ию - оценка, соответствующая наибольшему значению входной х, (или выходной ук) переменной; т -мощность множества и.

Примем, что вектор X' = {х^,х'2,...,х'п} - фиксированные значения входных переменных рассматриваемой модели системы, где х\ е£/,/ = 1,и. Задача поиска решения состоит в том, чтобы на основе вектора X' определить выходной вектор К* = Входные и выходные

переменные будем рассматривать как лингвистические переменные, заданные на универсальных множествах (/.

Для оценки лингвистических переменных используются качественные термы из следующего терм-множества:

^ = (3)

>

где А - терм-множество переменных х, и ук, а, - j-ый

лингвистический терм переменной х, или ук, i = \,n, j-\,m, k = \,q.

Лингвистические термы as,ajtX,...,am вычисляются так:

aj = £ я"'("')/"' > где /^'("j) ~ степень принадлежности элемента u} е U

терму a j е A, p = \,l, j = \,m. Задача построения функций принадлежности элементов Uj.eU терм-множеству А = \aj,aJtl,...,am) сводится к определению степеней принадлежности ¡л"' (и') для всех р = 1,1, j = 1,/и.

. В соответствии с (1) выбрана MIMO-структура (Multiple Input -Multiple Output) нечеткой базы знаний вида:

ЕСЛи(х, = а[ )и(х2 = а[)и... и(х„ =а'т\ (4)

то{ух=ъ1)и{у1=ъ,2)й...и{уч=ь,т\

где / - номер правила, l = \,L,L~ число правил, a'j и b\ - нечеткие термы для оценки входной переменной х, и выходной переменной ук, (/ = 1, л, j = 1,w, k = \,q)n /-том правиле, соответственно.

Систему логических высказываний (4) преобразуем с помощью операций [}{ИЛИ)н (~)(И):

(к

U

р=1

(5)

¡к Г Я

II П1

где У = 1,?, к = р-.

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).

СлпЯ I f';u>li 2 СЛОИ J СлоЛ ■>

Им>;МШ£ и'рчы Mjr.l|UI.:ia Hu4(l.tMIJO шли!

Структурно N№1X3 - это многослойная сеть прямого распространения сигнала, причем различные слои выполняют разные функции.

Слой 1: представляет функции принадлежности, реализованные как радиальные базисные нейроны: у((|)(х) = ехр[-(х;-с,)2/2'0'/2]-Слой 2: моделирует И-условия правил: у^ = СлойЗ: представляет собой ИЛИ-комбинацию правил с одинаковыми термами в консеквентах: у^ = В режиме обучения слой настраивает параметры функций принадлежности выходных переменных. В рабочем режиме формирует выход.

Слой 4: в рабочем режиме нейроны выполняют дефаззификацию:

г^ — ^аВ режиме обучения - это дополнительный вход, 1

выполняющий нормализацию, позволяющий настроить функцию

и

принадлежности выходной переменной:

У!

М

«

Структура нечеткой нейронной сети (ННС) МОТЬС инициализируется по принципу формирования полной матрицы правил.

Математическое определение базы знаний прецедентов имеет вид ВР = где (я-,,я-2,...,7г„) - множество прецедентов, /- со-

вокупность индексных термов, определяющих принадлежность прецедента к классу К.

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:

1) описание возникшей у абонента проблемы Р-{Р1,Р2>—>Р„}> включающее п значений параметров, характеризующих ситуацию;

2) ВР — непустое множество прецедентов;

3) (V ~ {1Уи№2,...,(¥„} - веса (коэффициенты важности) параметров;

4) М- количество рассматриваемых прецедентов из БЗП;

5) К- пороговое значение степени сходства.

Выходные данные: множество прецедентов 5/>, которые имеют степень сходства больше (или равную) порогового значения К.

Шаг 1. Л7>=0,/=1 и переходим к следующему шагу.

Шаг 2. Если}<Мвыбираем прецедент^ из множества ВР (А^ВР) и переходим к шагу 3, иначе прецеденты рассмотрены и переходим к шагу 7.

Шаг 3. Рассчитываем расстояние £>(Л Лу) по евклидовой метрике между выбранным прецедентом A^ и текущей ситуацией Р с учетом коэффициентов важности параметров:

Шаг 4. Рассчитываем расстояние ВЛ11 (Р, А]) по евклидовой метрике для граничных значений параметров:

у£(/>„** - РшШ У • Щ

Шаг 5.' На этом шаге вычисляем степень сходства Б(Л,Р) = {1

- 0/£>ги) или в процентах р) = (1 - /)/£>тах) • 100%, если пороговое значение К задано в процентах, и переходим к шагу 6.

Шаг 6. Если Б(А,Р)>

К, то данный прецедент добавляем в результирующее множество БР {А^БР), т.е. извлекаем данный прецедент из БЗП. После проверкиу=у'+1 и переходим к шагу 2.

Шаг 7. Если 5Р=0, то прецеденты для текущей проблемной ситуации не найдены и переходим к шагу 9 с выдачей сообщения для оператора о необходимости уменьшения порогового значения К, 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: к = \К,

где х)1' - значения входных переменных х1 (/ = 1,«) и у^ - значения выходных переменных у} (/ = 1,д) в к-ом примере; К - общее число примеров в обучающей выборке. Значения входных и выходных переменных задаются функциями принадлежности соответствующих термов:

Вводим обозначение х^ и у^ в качестве значений функций принадлежности термов входных и выходных переменных соответственно.

Шаг 2. Настройка параметров функций принадлежности включает в себя определение центров с, и ширины сг( 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 с, осуществляется случайным образом на основе равномерного распределения.

Матрица весов связей задается, следуя условиям:

I , .

I Т-1

где Г-количество нейронов во входном слое.

После предъявления к-го вектора х'*' из обучающего множества выбирается центр с,, ближайший к х^ по Евклидовой метрике:

м-с.НЕЬ-с.у.

Этот центр подвергается уточнению в соответствии с алгоритмом победителя (алгоритм \УТА): с,(к + 1) = с((/с)+??(г) [х(') -с,(А;)], где т)^) -монотонно убывающий уровень обучения. Остальные центры не изменяются. Все обучающие векторы хпредъявляются несколько раз в случайном порядке вплоть до стабилизации значений центров.

Настройка ширины сг, осуществляется эвристически, по принципу «первого ближайшего соседа»: сг, =(сг, - <тш)/X, где А - параметр перекрытия. Выходы каждого слоя вычисляются по формулам:

Л3) = тах[у?>.....у<2>],

Алгоритм победителя ищет матрицу весов которая оценивает качество связей левой и правой частей правил: <и/( (и +1) = (и) - 77 • А«э, 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 е, = (у'4) - с1к )2 в отношении векторов х^К Для К обучающих пар целевая функция ошибки задается в виде:

/ Ы 4=1 1_'"0

По величине погрешности определяется вектор градиента целевой функции относительно конкретных центров с^ и ширины :

си(п + 1) = с <Гц(п + \) = о^п)-т)- дЕ

дсу(п) да у (и)

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).

V 1 è-

Рисунок 4 - Алгоритм нейросетевого поиска решения проблемы В четвертой главе диссертации рассмотрены особенности программной реализации НЭСП. Обоснован выбор объектно-ориентированного языка программирования, С# в составе среды разработки программ Microsoft Visual Studio 2005 в качестве основного средства про-

граммирования 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.

Г БЗП '

Структура БЗП

Параметр I для описания проблемы

Описание параметра

Возмоаише значения

— ¿Весовое,значение (важность)

' :: : : : .....^. . : :

—Параметр ЛГдля описания проблемы Настройки БЗП

Мгарикн сходства

Порог сходства предедентод

.Максималщо é ящемя покер. 1

Класс 1

"цРВ!Зри*"Т S'il

Класс К

- Прецедент J , I

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 И С. 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

1. Общее число заявок абонентов Система в целом

2. Коэффициент выявления причин проблем Подсистема поиска по прецедентам Подсистема нейросетевого поиска • Система в целом

3. Коэффициент необработанных заявок Подсистема поиска по прецедентам Подсистема нейросетевого поиска Система в целом

4. Коэффициент точности идентификации причин проблем Подсистема поиска по прецедентам Подсистема нейросетевого поиска Система в целом

5. Уровень сложности проблем Система в целом

2) Оперативность

6. Продолжительность обработки заявок Система в целом

7. Продолжительность поиска решения проблемы Подсистема поиска по прецедентам Подсистема нейросетевого поиска Неинтеллектуальная часть системы

Окончание таблицы 1

№ Показатель Объект оценки

8. Средняя продолжительность обработки заявки Подсистема поиска по прецедентам Подсистема нейросетевого поиска Неинтеллектуальная часть системы

9. Количество операторов Интеллектуальная часть системы Неинтеллектуальная часть системы

3) Надежность

10. Длительность работоспособного состояния системы Система в целом

4) Экономичность

11. Стоимость разработки Система в целом

12. Стоимость эксплуатации Система в целом

13. Средняя стоимость обработки одной заявки абонента Система в целом

14. Годовая экономия средств Система в целом

15. Годовой экономический эффект Система в целом

16. Коэффициент экономической эффективности Система в целом

17. 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 нейро-сетевой 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.

1. 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.

2. Теоретически обосновано математическое описание процесса управления сетью сотовой связи, определены роли ЛПР и центра обслужи-

вания вызовов в контексте решения проблем абонентов. Выделены типы критических ситуаций, возникновение которых ведет к появлению проблем с качеством связи у абонентов.

3. 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.

4. Построена математическая модель нечеткой базы знаний с М1МО-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.

5. Разработана математическая модель системы нечеткого нейросе-тевого вывода, использующая нечеткий контроллер на основе нейронной сети Ъ1»РЬС. Обосновано использование нейросетевого подхода к реализации нечеткого логического вывода. Реализован модуль объяснения решения, полученного механизмом нейросетевого поиска.

6. Определена структура прецедента и построена математическая модель базы знаний прецедентов. Разработан алгоритм поиска решения по прецедентам на основе модификации метода поиска «ближайшего соседа».

7. 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.

8. 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.

9. 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:

1. Бегман Ю.В. Процесс опроса нейросетевых экспертных систем // Труды II Всероссийской научной конференции молодых ученых и студентов. - Краснодар: Просвещение-Юг, 2005.

2. Мапыхина М.П., Бегман Ю.В. Нейросетевой подход к проектированию экспертных систем И Труды II Всероссийской научной конференции молодых ученых и студентов. - Краснодар: Просвещение-Юг, 2005.

3. 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.

4. Частиков А.П., Малыхина М.П., Бегман Ю.В. Нейросетевые экспертные системы: механизм логического вывода//Труды КубГТУ. - Крас-

нодар: Кубан. гос. технол. ун-т, 2005. - Т. XXV - Сер.: Информатика и управление. - Вып. 3.

5. 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.

6. 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.

7. Бегман Ю.В. Нейросетевая экспертная система на основе прецедентов // Труды V Всероссийской научной конференции молодых ученых и студентов. -Краснодар: Просвещение-Юг, 2008.

8. Бегман Ю.В. Нейро-экспертная прецедентная система обслуживания абонентов сотовой сети il Журнал научных публикаций аспирантов и докторантов. - Курск, 2008. - №10.

9. 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.

10. Малыхина М.П., Бегман Ю.В. Модель интеллектуальной системы управления сетью сотовой связи // Материалы международной научной конференции «Технические и технологические системы». - Краснодар, 2009.

11. Бегман Ю.В. К проблеме построения систем обслуживания абонентов сетей сотовой связи // Материалы международной научной конференции «Технические и технологические системы», Краснодар, 2009.

12. Бегман Ю.В., Титов A.B. 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.

Подписано в печать 21.12.2009. Печать трафаретная. Формат 60x84 %6. Усл. печ. л. 1,36. Тираж 100 экз. Заказ № 253. Отпечатано в ООО «Издательский Дом-Юг» 350072, г. Краснодар, ул. Московская 2, корп. «В», оф. В-120, тел. 8-918-41-50-571

ВВЕДЕНИЕ.

1 Обзор существующих решений и сущность проблемы обслуживания абонентов сотовой сети.

1.1 Специфика предметной области.

1.2 Анализ существующих систем управления сетью сотовой связи и обслуживания абонентов.

1.3 Исследование существующих подходов к решению проблем обслуживания абонентов сотовых сетей.

1.4 Характеристика и сравнительный анализ гибридных интеллектуальных систем.

1.5 Цели и задачи исследования.

1.6 Выводы.

2 Теоретические основы и математическое обеспечение нейросетевой экспертной системы на основе прецедентов.

2.1 Математическое описание процесса управления сетью сотовой связи

2.2 Особенности функционирования центра обслуживания заявок абонентов.

2.3 Математическая модель интеллектуальной нейросетевой экспертной системы на основе прецедентов решения проблем абонентов сотовой сети

2.3.1 Определение состава и характеристик входных и выходных переменных интеллектуальной НЭСП.

2.3.2 Структура продукционной нечеткой базы знаний.

2.3.3 Функциональная схема нейро-нечеткого логического вывода.

2.3.4 База знаний прецедентов, механизм вывода по прецедентам.

2.4 Выводы.

3 Архитектура НЭСП для решения проблем обслуживания абонентов сотовой сети.

3.1 Структура и принципы функционирования НЭСП для решения проблем обслуживания абонентов сотовой сети.

3.2 Состав входных данных для системы обслуживания абонентов сотовой сети связи.

3.3 Алгоритмическая реализация НЭСП для решения проблем обслуживания абонентов сотовой сети.

3.3.1 Алгоритм обслуживания заявки абонента с помощью НЭСП.

3.3.2 Алгоритмическая реализация поиска прецедента.

3.3.3 Алгоритм нейросетевого поиска решения проблемы абонента.

3.4 Выводы.

4 Программная реализация нейросетевой экспертной системы на основе прецедентов.

4.1 Выбор инструментальных средств разработки НЭСП для решения проблем обслуживания абонентов сотовой сети.

4.2 Разработка базы данных обслуживания заявок абонентов.

4.3 Программная реализация продукционной нечеткой базы знаний.

4.4 Разработка базы знаний прецедентов.

4.5 Программная реализация интерфейса с пользователем.

4.6 Выводы.

5 Экспериментальные исследования работоспособности и эффективности системы.

5.1 Методика оценки эффективности разрабатываемой системы.

5.2 Описание методики и результатов тестирования разрабатываемой системы.

5.3 Оценка работоспособности и эффективности программных средств системы.

5.4 Оценка экономической эффективности внедрения интеллектуальной НЭСП для решения проблем абонентов сотовой сети.

5.5 Выводы.

Актуальность проблемы. Сотовая связь — весьма заметное явление в технике связи даже по меркам фантастически богатой на смелые технические проекты второй половины XX века. Появившись в 1971 г. на уровне идеи, в 1978 г. в виде первой опытной сети и достигнув к 1985г. в роли самостоятельной, но достаточно узкой по распространению системы, сегодня — это массовая система радиотелефонной связи с подвижными объектами [76]. Сотовая связь предоставляет широкий спектр услуг: передача речи и данных, в том числе с выходом на стационарные (фиксированные) телефонные сети, включая междугородные и международные; идентификация подлинности абонента; автоматическая регистрация сеанса связи и начисление оплаты; поиск подвижного объекта и установление с ним связи и многое другое. Более того, бурно развиваясь, на сегодняшний день сотовая связь претендует на роль основного элемента универсальной системы мобильной связи глобального масштаба.

Сети сотовой связи представляют собой сети телекоммуникаций в том числе. Специфика телекоммуникационного бизнеса заключается в тесной зависимости от информационных технологий.

Российский телекоммуникационный рынок достиг «зрелости»: быстрый рост абонентской базы закончился. Абоненты предпочитают стабильность оператора, качество услуг и удобство сервисных служб. Жесткая конкуренция продолжает оставаться движущей силой внедрения в существующие системы прогрессивных технических, технологических и программных решений.

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. Поэтому в компаниях сотовой связи приоритетное внимание уделяется сервису и обслуживанию абонентов. Возникает концепция управления взаимоотношениями компании с ее целевой аудиторией, призванная помочь компании в построении маркетинговой стратегии - CRM (Customer Relationship Management, управление взаимоотношениями с клиентами). Важной составляющей реализации концепции CRM является использование современных систем обслуживания вызовов [80, 81, 111].

Для того чтобы сохранить лидирующее положение на рынке и обеспечить высокое качество услуг и доступные цены, многие компании создают центры обслуживания абонентов «с нуля» или проводят модернизацию уже существующих центров. В этих условиях требуется повысить скорость обработки обращений, вести анализ причин возникновения типовых инцидентов, формализовать процесс передачи информации об инцидентах между разными подразделениями.

С точки зрения функциональных возможностей в сфере мобильной связи под термином «CRM» понимают системы, способные фиксировать информацию об обращениях и готовые выдавать ее из базы данных. Современные зарубежные разработки в области CRM могут решать очень широкий круг в принципе полезных задач, но на практике большинству компаний-операторов необходим весьма ограниченный набор возможностей [111]:

- интеграция CRM-системы с биллинговой системой оператора для оперативного получения информации о вызывающем абоненте;

- взаимодействие с корпоративной информационной системой;

- назначение исполнителей для обработки обращения;

- формирование и использование истории обработки обращений абонентов.

Практически любое обращение можно отнести к определенному типу: качество связи, помощь в настройках телефона, вопросы о дополнительных сервисах, информация о новых тарифах и т. д. Каждое такое обращение абонента вызвано некой проблемой, возникающей в процессе использования услуг сотовой сети связи [28].

С точки зрения системного анализа, проблема — это несоответствие между существующим и требуемым (целевым) состоянием системы при данном состоянии среды в рассматриваемый момент времени [6, 23, 64, 92]. 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.

Проблемы абонентов можно отнести к классу слабоструктурированньтх проблем, состав элементов которых и их связи известны только частично, и решение которых направлено на повышение эффективности функционирования сети сотовой связи за счет изменения характеристик сети или системы управления сетью, а также внедрения новых идей.

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. Все это касается и задач, связанных с поддержанием сети сотовой связи в работоспособном состоянии, обеспечивающем предоставление абонентам сети услуг связи и информатизации в полном объеме.

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.

Более того, высокий уровень автоматизации и интеллектуализации системы позволит снизить нагрузку на операторов центров обслуживания вызовов и служб технической поддержки абонентов сотовых сетей связи, значительно повысит эффективность их действий, увеличит надежность функционирования сети сотовой связи за счет своевременной идентификации возможных источников проблем и снизит экономические риски для компаний сотовой связи.

Объект исследования: сотовая сеть связи, управление которой осуществляется в условиях неполной и нечеткой информации о сетевых процессах.

Предмет исследования: математическое и программное обеспечение нейросетевой экспертной системы на основе прецедентов для решения проблем обслуживания абонентов сотовой сети связи в условиях отсутствия полной, четкой, достоверной информации о вызвавших их инцидентах.

Исходя из вышеизложенного, настоящая диссертационная работа посвящена разработке принципов функционирования и технологии создания интеллектуальных систем, основанных на знаниях, предназначенных для организации эффективного взаимодействия с абонентами сотовой сети связи.

Целью диссертационной работы является 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 связи.

Для достижения этой цели в диссертационной работе решены следующие основные задачи:

- проведен анализ наиболее популярных систем управления сетями сотовой связи и взаимоотношениями с клиентами;

- исследованы существующие методы и приемы поддержки принятия решений для задач управления взаимоотношениями с абонентами сотовой сети;

- исследованы различные технологии интеллектуальных систем, способы их взаимодействия и комбинирования;

- теоретически обоснованы математические модели компонентов НЭСП: продукционной нечеткой базы знаний о проблемах абонентов, нечеткого контроллера на основе нейронной сети, базы знаний прецедентов проблем;

- разработан комплекс алгоритмов: обработка заявок абонентов, поиск решения проблем абонентов на основе прецедентов и с использование нечеткой нейронной сети;

- обоснован выбор инструментальных средств разработки НЭСП для решения проблем абонентов сотовой сети;

- разработана нейросетевая экспертная система на основе прецедентов для решения проблем абонентов сотовой сети связи;

- исследована эффективность разработанной НЭСП с использованием следующих групп показателей: функциональная пригодность, оперативность, надежность, экономичность системы;

- разработана и внедрена в опытную эксплуатацию первая версия программного обеспечения НЭСП для решения проблем абонентов сотовой сети.

Методы исследования. 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. Экспериментальная часть работы основана на методах машинного моделирования и вычислительного эксперимента с использованием языка программирования высокого уровня С#, среды разработки программ Microsoft Visual Studio 2005 и системы управления базами данных Microsoft SQL Server 2005.

Достоверность научных положений, выводов и рекомендаций диссертационной работы подтверждается полнотой и корректностью исходных посылок, теоретическим обоснованием, основанном на использовании математического аппарата, результатами экспериментальных исследований и внедрением полученных результатов в практическую деятельность.

Научная новизна диссертационной работы заключается в том, что создан 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. Разработаны модели и алгоритмы, доведенные до программной реализации, для решения профессиональных задач по управлению взаимоотношениями с клиентами компании сотовой сети связи.

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 «ЗкуЬтк».

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 диссертационной 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).

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.

Личный вклад автора. Все основные научные результаты, структура и методика разработки нейросетевой экспертной системы на основе прецедентов для решения проблем абонентов сотовой сети связи, алгоритмы основных методов поиска решений проблем, модели баз знаний и интеллектуальной системы в целом, разработанные на их основе программные средства, экспериментальные исследования, приведенные в диссертации, получены автором лично.

Объем и структура 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.

5.5 Выводы

В заключительной главе приведены результаты экспериментальных исследований работоспособности и эффективности нейросетевой экспертной системы на основе прецедентов для решения проблем абонентов сотовой сети связи. Получены следующие результаты.

1. Определены показатели оценки эффективности функционирования разработанной НЭСП для решения проблем обслуживания абонентов сотовой сети связи.

2. Доказана работоспособность разработанной НЭСП на основе эксперимента, который заключался в тестовом испытании системы в качестве программного средства поддержки деятельности оператора центра обслуживания вызовов абонентов сотовой сети связи. В качестве входных данных для НЭСП использовались описания инцидентов, регистрируемых в заявках, поступающих от абонентов сотовой сети связи, а также технические параметры состояния сотовой сети связи.

3. Проведена оценка эффективности разработанной системы. Экспериментально доказано, что использование интеллектуальной составляющей НЭСП для поддержки деятельности оператора связи дает высокие результаты, значительно превосходящие по скорости и точности принятия решения результаты работы операторов, не использующих интеллектуальную систему. Уверенность в принятии правильного решения НЭСП стремится к 100%, тогда как, учитывая человеческий фактор, оператор сети связи может гарантировать лишь 81% достоверности принятого решения.

4. Произведено испытание надежности программного обеспечения разработанной НЭСП. В течение установленного планом эксперимента времени (8 недель) сбоев и отказов в работе программного обеспечения не было.

5. Проведена экономическая оценка эффективности внедрения разработанной нейросетевой экспертной системы на основе прецедентов 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.

ЗАКЛЮЧЕНИЕ

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.

1. 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.

2. 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.

3. 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.

4. Построена математическая модель нечеткой базы знаний с М1МО-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.

5. Разработана математическая модель системы нечеткого нейросетево-го вывода, использующая нечеткий контроллер на основе нейронной сети N№1,0. Обосновано использование нейросетевого подхода к реализации нечеткого логического вывода. Реализован модуль объяснения решения, полученного механизмом нейросетевого поиска.

6. Определена структура прецедента и построена математическая модель базы знаний прецедентов. Разработан алгоритм поиска решения по прецедентам на основе модификации метода поиска «ближайшего соседа».

7. Программно реализована интеллектуальная НЭСП 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.

8. 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.

9. 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.

По теме диссертации опубликовано 12 печатных работ. Из них 5 статей (в том числе 2 в изданиях, рекомендованных ВАК), 5 тезисов докладов на Всероссийских и 2 на Международных конференциях.

1. Аверкин А.Н., Гаазе-Рапопорт М.Г., Поспелов Д.А. Толковый словарь по искусственному интеллекту. М.: Радио и связь, 1992. - 256с.

2. Агуров П.В. С#. Сборник рецептов. СПб.: БХВ-Петербург, 2007. -432 с.

3. Алехин 3. Управление инцидентами и проблемами. // Открытые системы. 2001. - № 7-8. - С. 50 - 56.

4. Алтухов A.B. Формирование нечетких правил типа Takagi-Sugeno по результатам нечеткой кластеризации // Вестник ВГУ. Серия системный анализ и информационные технологии. Воронеж, 2008. — №1. - С. 44 - 50.

5. Андрейчиков А. В., Андрейчикова A.B. Интеллектуальные информационные системы. М.: Финансы и статистика, 2004. — 424 с.

6. Анфилатов B.C., Емельянов A.A. , Кукушкин A.A. Системный анализ в управлении: Учеб. пособие. М.: Финансы и статистика, 2002. - 368 с.

7. Арсеньев Ю.Н., Шелобаев С.И., Давыдова Т.Ю. Принятие решений. Интегрированные интеллектуальные системы: Учеб. пособие для вузов. М.: ЮНИТИ-ДАНА, 2003. - 270с.

8. Артюхин В.В., Артюхина Е.В., Горбаченко В.И. применение ради-ально-базисных нейронных сетей для диагностики вирусного гепатита // Нейрокомпьютеры: разработка и применение. — 2008. №9. - С. 72 - 76.

9. Барский А.Б. Нейронные сети: распознавание, управление, принятие решений. -М.: Финансы и статистика, 2004. — 176 с.

10. Бахтизин В.В. Эффективность программных средств и ее оценка // Доклады БГУИР. 2007. - №2(18). - С. 128 - 133.

11. Блюмин С.Л., Шуйкова И.А. Модели и методы принятия решений в условиях неопределенности. Липецк: ЛЭГИ, 2001. — 138 с.

12. Блюмин СЛ., Шуйкова И.А., Сараев П.В. Нечеткая логика: алгебраические основы и приложения. Липецк: ЛЭГИ, 2002. - 111 с.

13. Бобряков A.B. Гибридная сеть для реализации нечетких моделей с

14. MIMO-структурой // Нейрокомпьютеры: разработка и применение. 2007. -т.-С. 13-16.

15. Борисов В.В., Круглов В.В., Федулов А.С. Нечеткие модели и сети. -М.: Горячая линия-Телеком, 2007. 284 с.

16. Борисов В.В., Федулов А.С. Способы интеграции нечетких и нейронных сетей // Нейрокомпьютеры: разработка и применение. 2007. — №1. -С. 5 - 11.

17. Брауде Э. Технология разработки программного обеспечения. — СПб.: Питер, 2004. 655 с.

18. Варшавский П.Р. Методы и программные средства поиска решения на основе аналогий в интеллектуальных системах поддержки принятия решений: Автореф. дис. . канд. техн. наук. -М., 2005. 20 с.

19. Варшавский П.Р., Еремеев А.П. Методы правдоподобных рассуждений на основе аналогий и прецедентов для интеллектуальных систем поддержки принятия решений // Новости Искусственного Интеллекта. — 2006. № 3. - С. 3 9 - 62.

20. Васильев В.И. Искусственный интеллект в системах управления и обработки информации // Вестник УГАТУ. Уфа: УГАТУ, 2000. - №1. - С. 133-140.

21. Васильев В.Ф., Кургин А.А., Сагалович Л.И. Опыт МГТС по созданию АСУ. -М.: Радио и связь, 1981. 164 с.

22. Вийера Р. Программирование баз данных Microsoft SQL Server 2005. Базовый курс. M.: Вильяме, 2007. - 832 с.

23. Волкова В.Н., Денисов А.А. Основы теории систем и системного анализа. СПб.: Изд-во СПбГТУ. - 510 с.

24. Гаврилов А.В. Гибридные интеллектуальные системы. Новосибирск: НГТУ, 2003. - 162 с.

25. Гаврилов A.B., Новицкая Ю.В. Гибридные интеллектуальные системы // Сборник научных трудов НГТУ. Новосибирск: НГТУ, 2004. -№1(35).-С. 55-60.

26. Гаврилова Т.А., Хорошевский В.Ф. Базы знаний интеллектуальных систем. СПб.: Питер, 2000. - 384 с.

27. Гольдштейн А., Феноменов М. Система Аргус — отечественная OSS в стандартах TMF // Вестник связи. 2008. - №9. - С. 30 - 34.

28. Гольдштейн Б.С. Комплекс техобслуживания абонентов: новое решение старой проблемы // Вестник связи. — 2000. № 9. - С. 31 - 36.

29. Гольдштейн Б.С., Фрейнкман В.А. Call-центры и компьютерная телефония. СПб.: БХВ-Петербург, 2002. - 372 с.

30. Гречин И. В. К вопросу о проектировании знаний в экспертной системе // Перспективные информационные технологии и интеллектуальные системы. 2002. - № 2 ( 10). - С. 31 - 34.

31. Джексон П. Введение в экспертные системы: Пер. с англ. — М.: Вильяме, 2001.-624 с.

32. Димов Э.М., Диязитдинова А.Р., Скворцов А.Б. Роль интеллектуальных информационных систем в управлении инфокоммуникационными компаниями // Электросвязь. 2007. - №8. - С. 40 — 43.

33. Достоверный и правдоподобный вывод в интеллектуальных системах / Вагин В.Н., Головина Е.Ю., Загорянская A.A., Фомина М.В.; Под ред. Вагина В.Н., Поспелова Д.А. М.: Физматлит, 2004. - 704 с.

34. Дубинин H. М., Ильчанинова Л.В. Состояние проблемы контроля действий оператора в системе управления // Управление в сложных системах: Межвуз. науч. сб., Уфа: УГАТУ, 1999. С. 193 - 198.

35. Ермаков С.М., Жиглявский A.A. Математическая теория оптимального эксперимента. М.: Наука, 1987. — 320 с.

36. Жернаков C.B. К вопросу о построении гибридных нейро-нечетких экспертных систем диагностики и контроля ГТД // Управление в сложных системах: Межвуз. науч. сб., Уфа: УГАТУ, 1999. С. 119 - 126.

37. Жернаков C.B. Нейросетевая база знаний прецедентов активной экспертной системы для комплексного контроля и диагностики параметров авиационного двигателя // Информационные технологии. — 2002. №5. — С. 45-53.

38. Жернаков C.B. Применение динамических экспертных систем с нейросетевыми базами знаний в процессе эксплуатации авиационных двигателей // Информационные технологии. 2001. - №6. - С. 42 - 47.

39. Звягин П.Н. Нечеткая нейронная сеть в приложении к задаче кластеризации наблюдаемых данных // Нейрокомпьютеры: разработка и применение. 2007. - №6. - С. 61 - 66.

40. Иванов Т.А., Иванова Т.В. Зачем оператору мобильной связи Call-центр? // Биллинг. Компьютерная телефония. 2001. - № 3. — С. 26 - 28.

41. Карпов JI. Е., Юдин В. Н. Адаптивное управление по прецедентам, основанное на классификации состояний управляемых объектов // Труды Института Системного Программирования РАН. М.: ИСП РАН, 2007. - Т. 13,4. 2.-С. 37-57.

42. Карпов JI.E., Юдин В.Н. Методы добычи данных при построении локальной метрики в системах вывода по прецедентам. М., ИСП РАН, препринт №18, 2006.

43. Каяшев А. И., Муравьева Е. А., Каяшева Г. А. Структурная схема нечеткого регулятора на основе лингвистических переменных с четкими термами // Программные продукты и системы. 2008. — №4. - С. 108 — 111.

44. Колесников A.B. Гибридные интеллектуальные системы: Теория и технология разработки. СПб.: Изд-во СПбГТУ, 2001. - 711с.

45. Колесников A.B., Кириков И.А. Методология и технология решениясложных задач методами функциональных гибридных интеллектуальных системы. М.: ИЛИ РАН, 2007. - 387 с.

46. Комарцова Л.Г. Сравнительный анализ нейросетевых классификаторов // Научная сессия МИФИ-2002. Сборник научных трудов. М., 2002. -4.2: Нейроинформатика-2002. - С. 21 - 25.

47. Комарцова Л.Г., Фоминых И.Б. Гибридные нейронные системы: от простого объединения до полной интеграции // Научная сессия МИФИ-2006. Сборник научных трудов. М.: МИФИ, 2006. - Т.З: Интеллектуальные системы и технологии. — С. 30 - 31.

48. Комашинский В.И., Смирнов Д.А. Нейронные сети и их применение в системах управления и связи. М.: Горячая линия-Телеком, 2003. — 94 с.

49. Кочергин Е.В., Леденева Т.М., Алтухов A.B. Об одном подходе к аппроксимации функции с помощью систем Takagi-Sugeno // Вестник ВГУ. Серия системный анализ и информационные технологии. — Воронеж, 2008. -№2.-С. 72-79.

50. Кравченко Ю.А. Перспективы развития гибридных интеллектуальных систем // Перспективные информационные технологии и интеллектуальные системы. 2002. - № 3 (11). - С. 34 - 38.

51. Красносельский Н. И., Воронцов Ю. А., Аппак М. А. Автоматизированные системы управления в связи. М.: Радио и связь, 1988. - 272 с.

52. Круглов В.В., Борисов В.В. Искусственные нейронные сети. Теория и практика. М.: Горячая линия-Телеком, 2002. — 382 с.

53. Круглов В.В., Дли М.И. Интеллектуальные информационные системы: компьютерная поддержка систем нечеткой логики и нечеткого вывода. М.: Изд-во Физматлит, 2002. - 256 с.

54. Круглов В.В., Дли М.И., Годунов Р.Ю. Нечеткая логика и искусственные нейронные сети: Учеб. пособ. — М.: Физматлит, 2001. — 224 с.

55. Кукса П.П. Анализ алгоритма нечеткой кластеризации // Информатика и системы управления в XXI веке. Сборник трудов. — М.: Изд-во МГТУ им. Н.Э. Баумана, 2003. С. 249 - 253.

56. Кукса П.П. Система моделирования нечетких систем на алгоритмическом уровне // Информатика и системы управления в XXI веке. Сборник научных трудов. М.: Изд-во Эликс+, 2002. - С. 201 - 204.

57. Кучер A.B. Интеллектуальная система поддержки принятия решения на основе нечеткой логики для диагностики состояния сети передачи данных: Автореф. дис. . канд. техн. наук. Краснодар, 2007. - 24 с.

58. Лабор В. В. Си Шарп: Создание приложений для Windows. — Мн.: Харвест, 2003.-384 с.

59. Леоненков A.B. Нечеткое моделирование в среде MATLAB и fiizzyTECH. СПб.: БХВ-Петербург, 2005. - 736 с.

60. Липаев В.В. Программная инженерия. Методологические основы. — М.: ТЕИС, 2006.-608 с.

61. Махортов С.Д. О приложениях LP-структур в теории программирования // Вестник ВГУ. Серия системный анализ и информационные технологии. Воронеж, 2007. - №2. - С. 40 - 49.

62. Мухин В.И. Исследование систем управления. М.: Экзамен, 2002. -384 с.

63. Нечаев Ю.И., Дегтярев А.Б., Кирюхин И.А. Интеллектуальные системы поддержки принятия решений с использованием нейросетевых технологий // Тр. Международного симпозиума «Интеллектуальные системы», INTELS-2000. М., 2000. - С. 171 - 173.

64. Нечаев Ю.И., Тихонов Д.Г. Нейропрогноз на основе логического вывода по прецедентам // Научная сессия МИФИ-2005. Сборник научных трудов. М.: МИФИ, 2005. - 4.2: VII Всероссийская научно-техническая конференция «Нейроинформатика-2005». - С. 197-204.

65. Нечеткие гибридные системы. Теория и практика. / Батыршин И.З., Недосекин А.О., Стецко A.A., Тарасов В.Б., Язенин A.B., Ярушкина Н.Г.; Под ред. Ярушкиной Н.Г. М.: Физматлит, 2007. - 208 с.

66. Осипов Г. С. Приобретение знаний интеллектуальными системами: основы теории и технологии. М.: Наука, Физматлит, 1997. - 112 с.

67. Осипов Г.С., Виноградов А. Н., Жилякова JI. Ю. Динамические интеллектуальные системы // Известия АН. Теория и системы управления. 4.1. Представление знаний и основные алгоритмы. М.: Наука, 2002. - № 6. - С. 119-127.

68. Осовский С. Нейронные сети для обработки информации: Пер. с пол. И.Д. Рудинского. — М.: Финансы и статистика, 2004. 344 с.

69. Павлов, А. Н., Соколов, Б. В. Принятие решений в условиях нечеткой информации. СПб.: ГУАП, 2006. - 72 с.

70. Прикладные интеллектуальные системы, основанные на мягких вычислениях / Азов М. С., Бушмелев Ю. Ю., Лебедев А. А., Макеев А. С. и др.; под ред. Ярушкиной Н. Г. Ульяновск: УлГТУ, 2004. - 139 с.

71. Прикладные нечеткие системы: Пер. с япон. / Асаи К., Ватада Д., Иван С. и др.; Под ред. Тэрано Т., Асаи К., Сугэно М. — М.: Мир, 1993. -368 с.

72. Ратынский М.В. Основы сотовой связи. М.: Радио и связь, 1998. -248 с.

73. Росляков A.B. Интеграция АСР, ЦОВ и CRM в межрегиональных компаниях связи // Биллинг. Компьютерная телефония. 2004. — №1. - С. 10-14.

74. Росляков A.B. Современное состояние и прогнозы развития центров обслуживания вызовов // Инфосфера. 2001. — №11. — С. 3 — 11.

75. Росляков A.B., Ваняшин С.В., Решодько A.A. Сравнительный анализ математических моделей центров обслуживания вызовов // Электросвязь. -2004.-№9.-С. 32-34.

76. Росляков A.B., Новиков A.B. Математическая модель системы телефонистов ОРАХ // Электросвязь. 2001. - №8. - С. 13-16.

77. Росляков A.B., Самсонов М.Ю., Шибаева И.В. Центры обслуживания вызовов (Call centre). — М.: Эко-Трендз, 2002. — 272 с.

78. Ротштейн А.П. Интеллектуальные технологии идентификации: нечеткая логика, генетические алгоритмы, нейронные сети. — Винница: Универсум-Винница, 1999. 320 с.

79. Рутковская Д., Пилиньский М., Рутковский JI. Нейронные сети, генетические алгоритмы и нечеткие системы: Пер. с пол. И.Д. Рудинского. -М.: Горячая линия-Телеком, 2007. 383 с.

80. Рыбина Г. В., Душкин Р. В. Лингвистические аспекты извлечения нечётких знаний // Научная сессия МИФИ-2002. Сборник научных трудов. В 14 томах. Т. 3. М.: МИФИ, 2002. С. 84 - 85.

81. Рыбина Г. В., Душкин Р. В., Сидоркина Ю. С. О конкретном подходе к извлечению нечётких знаний // Научная сессия МИФИ-2004. Сборник научных трудов. В 15 томах. Т. 3. М.: МИФИ, 2004. С. 144 - 145.

82. Савушкин С. А. Нейросетевые экспертные системы // Нейрокомпьютер. 1992. - №2. - С. 29 - 36.

83. Сергиенко М.А. Методы проектирования нечеткой базы знаний // Вестник ВГУ. Серия системный анализ и информационные технологии. — Воронеж, 2008. №2. - С. 67 - 71.

84. Сорина Г.В. Принятие решений как интеллектуальная деятельность. Монография. — М.: Гардарики, 2005. 253 с.

85. Субботин С.А. Идентификация нечетких, нейро-нечетких и нейро-сетевых моделей по прецедентам для решения задач распознавания образов // Нейрокомпьютеры: разработка и применение. 2008. - №9. - С. 10-16.

86. Тарков М.С. Нейрокомпьютерные системы. М.: Интернет-Университет Информационных технологий; БИНОМ. Лаборатория знаний, 2006. - 142 с.

87. Терехов В.А., Ефимов Д.В., Тюкин И.Ю. Нейросетевые системы управления. М.: Высшая школа, 2002. - 183 с.

88. Тищенко Н.М. Введение в проектирование систем управления. — М.: Энергоатомиздат, 1986. 248 с.

89. Уткин В.Б., Балдин К.В. Информационные технологии управления.- М.: Академия, 2008. 400 с.

90. Фаронов В.В. Программирование на языке С#. СПб.: Питер, 2007.- 240 с.

91. Фоминых И.Б. Интеграция нейронных и символьно-логических моделей в интеллектуальных технологиях // Тр. 7-й Национальной конференции по искусственному интеллекту с международным участием КИИ-2000. Пе-реславль-Залесский, 2000. - Т. 2. - С. 588 - 596.

92. Фоминых И.Б., Комарцова Л.Г. О нейросетевых базах знаний // Научная сессия МИФИ-2005. Сборник научных трудов. М.: МИФИ, 2005. -Т.З: Интеллектуальные системы и технологии. — С. 36 — 38.

93. Чернов В.Г. Модели поддержки принятия решений в инвестиционной деятельности на основе аппарата нечетких множеств. — М.: Горячая линия Телеком, 2007. - 312 с.

94. Черноруцкий И.Г. Методы оптимизации и принятия решений: Учебное пособие. СПб.: Лань, 2001. - 384 с.

95. Штовба С.Д. Проектирование нечетких систем средствами MATLAB. М.: Горячая линия - Телеком, 2007. - 288 с.

96. Ярушкина Н.Г. Основы теории нечетких и гибридных систем: Учеб. пособие. М.: Финансы и статистика, 2004. - 320 с.

97. Ясницкий JI.H. Введение в искусственный интеллект. — М.: Академия, 2005. 176 с.

98. Яхъяева Г.Э. Нечеткие множества и нейронные сети. М.: Интернет—Университет Информационных Технологий, БИНОМ. Лаборатория знаний, 2006.-316 с.