Magyar Tudomány, 2007/07 916. o.

Infokommunikációs hálózatok

Meteorológiai adatok

azonosítása

hálózatfelügyeleti mérésekből

Mobilszolgáltatást megvalósító mikrohullámú hálózatok esetében a vételi szintet befolyásolják az adó- és a vevőállomás közötti úgynevezett Fresnel-zónába bekerült akadályok. Ezek az akadályok lehetnek ideiglenesen vagy véglegesen az adott zónába került mesterséges vagy természeti tárgyak, vagy az éppen aktuális időjárás által meghatározott mennyiségű csapadék, illetve köd. A hálózatfelügyeleti rendszerbe célszerű olyan intelligens döntési alrendszer beépítése, amelyik a csillapítás mértékéből, illetve annak időfüggő viselkedéséből közvetlenül képes eldönteni, hogy mi okozhatta a csillapítást. A cikk egy sikeresen befejezett NKFP K+F projekt keretében megvalósult hálózatfelügyeleti rendszer intelligens modulját ismerteti. Bemutatja az intelligens döntéstámogató rendszert és az ezt alkotó fuzzy logika alapjait. A következőkben részletesebben bemutatja az időjárási helyzet automatikus identifikálására történő alkalmazást.

1. Bevezetés

A mobilkommunikációt megvalósító mikrohullámú hírközlő hálózat felügyelő rendszere az ország egész területéről rendelkezik információkkal a hálózat működésére és üzemállapotára vonatkozóan. Az egyes állomások vételi szintjét csökkentik az adó- és a vevőállomások közötti térben az átvitel minőségét meghatározó Fresnel-zónába belekerült akadályok. Ezek az akadályok gyakran mesterséges vagy természeti tárgyak, de ugyanilyen hatást vált ki az éppen uralkodó időjárás által meghatározott csapadék is, hiszen ez apró „tárgyak” (esőcseppek) sokaságát jelenti a Fresnel-zónában. A hálózatfelügyeleti rendszerbe integrált intelligens döntési alrendszer a csillapítás periodikusan lekérdezett mértékéből és annak időfüggő viselkedéséből közvetlenül képes olyan következtetés meghozatalára, amelyik a csillapítás okát felismerve a szükséges beavatkozásra ad javaslatot a hálózatfelügyeleti rendszer kezelői felületén. E tanulmányban csupán egyetlen kérdésről szólunk, a hazánkra jellemző mérsékelt égövi kontinentális éghajlati zónában (nemzetközi szabványban rögzített módon) megjelenő különböző esőkategóriáknak a csillapítási értékek megfigyeléséből kikövetkeztetett intelligens felismerésére.

A tanulmány egy sikeresen befejezett NKFP K+F projekt (Kóczy−Veres, 2005) keretében megvalósult demonstrációs hálózatfelügyeleti rendszer egyik moduljával és a hozzá kapcsolódó funkciókkal foglalkozik. A felügyeleti rendszer által mért adási- és vételiszint értékekből kiszámítható csillapítási értékek időbeli változása alapján a rendszer GUI (grafikus felhasználói interfész) felületén megjeleníti az intelligens döntési alrendszer által létrehozott következtetést, olyan formában, hogy abból a kezelő áttekintést tud nyerni a megfigyelt hálózati területen jelentkező eső eloszlására, mennyiségére és mozgására.

A riasztások két eltérő jelenségcsoportra utalnak. Az első csoportba tartoznak a mikrohullámú állomások berendezéseinek hirtelen bekövetkező vagy a hosszabb idejű üzem során fokozatosan jelentkező hardver meghibásodásai vagy funkcióromlásai. Ezeknél természetesen karbantartói beavatkozást javasol a rendszer. A második csoportba tartoznak a Fresnel-zónába került akadályok miatt bekövetkezett vételi szintcsökkenések. Ebben az esetben gyakran az adó és/vagy a vevő helyének a megváltoztatására is szükség lehet. Példa erre városban egy reklámtábla elhelyezése egy háztetőn, vidéki környezetben pedig az adó és a vevő között elhelyezkedő erdősáv tavaszi kilombosodása. Ez utóbbit az adóteljesítmény éves ciklus szerinti automatikus utánállításával lehet kompenzálni. Az esőzésből adódó fading a különböző terepakadályok okozta csillapítástól az egy körzetben egyidejűleg irányfüggetlenül jelentkező vételiszint-csökkenés révén különíthető el.

A következőkben az intelligens döntés meghozatalára alkalmazott fuzzy alapú számítási intelligencia módszerről ejtünk néhány szót. A 3. fejezetben a mobilhálózat felügyeletében alkalmazott fuzzy rendszert mutatjuk be az időjárásmegfigyelési alkalmazással együtt.

2. A fuzzy rendszerek alapjai

Bizonyos jelenségek nem írhatóak le pontosan a matematikában és számítástechnikában ma általánosan elterjedt kétértékű logikával, ezért célszerű, hogy ne csak „igaz” és „hamis” logikai értékeket használjunk, hanem lehetőség legyen a kettő közötti átmeneti, részleges igazságértékek definiálására is például 0 és 1 között. Ez a gondolat vezette el a ‘60-as években Lotfi A. Zadeh-et a fuzzy logika megalkotásához (Zadeh, 1965). A hagyományos mesterséges intelligencia-megoldásokban általános a kétértékű logika használata, ám intelligensebb eszközöket nyerünk, ha az emberi logikához jobban közelítő fuzzy módon írjuk le a rendszerek viselkedését. A fuzzy logikai változók a 0 és az 1 között tetszőleges értéket vehetnek fel, a 0 jelöli a „teljesen hamis” állítást, az 1 pedig a „teljesen igazat. Így például a 0,5 körüli érték jelképezi a „félig igazat”, és a 0,9 a „majdnem igazat”. Az arisztotelészi és Boole-i hagyományos kétértékű logikai műveletek a fuzzy logikára is kiterjeszthetők. A fuzzy logika segítségével definiálhatunk fuzzy halmazokat, fuzzy szabályokat, és a szabályokból következtető rendszereket is felépíthetünk. Az alapfogalmakkal kapcsolatban a részletesebb leírás iránt érdeklődöknek a (Kóczy − Tikk, 2000) könyvet ajánljuk.

2.1. Fuzzy halmazok és műveletek

Az A fuzzy halmazt az úgynevezett tagsági függvénnyel adhatjuk meg. A tagsági függvény minden egyes x alaphalmazbeli értékhez egy a [0,1] egységintervallumból vett µ_A értéket rendel aszerint, hogy az adott x érték mekkora mértékben eleme (tagja) az A fuzzy halmaznak. E µ_A egyértelműen megadja a fuzzy halmazt, ha magát az X alaphalmazt ismerjük. A gyakorlati alkalmazások céljából a műszaki rendszerekben leginkább a háromszög-, a trapéz- és a Gauss-görbe (harang) alakú tagsági függvények terjedtek el.

Az 1. ábra példájában trapéz alakú fuzzy halmazokkal leírt csillapítási tartományokat láthatunk mindössze három kategóriát megkülönböztetve: enyhe, közepes és nagy.

A hagyományos halmazelméletben értelmezett három alapműveletet végtelen sokféleképpen lehet általánosítani a fuzzy halmazok elméletére. A legelterjedtebbek a klasszikusnak számító Zadeh-féle definíciók (Zadeh, 1965), amelyek a fuzzy halmazok metszetét a tagsági értékek minimumával, a fuzzy halmazok egyesítését pedig a tagsági értékek maximumával számítják ki, vannak azonban algebrai műveletek segítségével megadható definíciók is. A komplemenst általában az 1-re kiegészítő érték adja meg.

2.2. Fuzzy szabályok

A fuzzy halmazok segítségével természetes emberi nyelven könnyen tudunk szabályokat megfogalmazni. Egy távfelügyeleti rendszerben, például, mondhatunk egy olyan szabályt, hogy „Ha a vételiszint-csökkenés enyhe, és az eltelt idő rövid, akkor gyenge esőzés van”. Ha ezután definiáljuk az enyhe, rövid és gyenge tagsági függvényeket, akkor fuzzy szabályt kapunk. A szabály feltételrészből (antecedensből), illetve következményrészből (konzekvensből) áll. Több-bemenetű, egykimenetű fuzzy szabály általános, ún. Mamdani-féle, alakja (Mamdani, − Assilian, 1975): Ha x₁ = A₁ és … és x_n = A_n akkor y = B, ahol x = (x₁, …, x_n) a bemeneti értékek vektora, és minden x_j az X_j komponenshalmaz eleme (például vételi szint, időtartam) és X az X₁…X_n együttes kezelésével létrejött n-dimenziós alaphalmaz, A = (A₁, …, A_n) az antecedens halmazok vektora, A az X univerzum több dimenziós fuzzy részhalmaza, y az Y kimeneti változó alaphalmaz általános eleme, B a bemutatott szabály konzekvens halmaza.

2.3. Fuzzy következtető rendszer

A fuzzy halmazok elméletét felhasználhatjuk bonyolult, analitikus módon nem modellezhető rendszerek kezelhető leírására. Fuzzy szabályok segítségével az emberi gondolkodáshoz hasonlító funkciót ellátó következtető rendszereket hozhatunk létre. A fuzzy rendszerek elvi vázlata a 2. ábrán látható. Az illeszkedési mértéket meghatározó egység a megfigyelést hasonlítja össze a szabályok feltételrészeivel. Ennek alapján a következtető gép meghatározza a kimeneti fuzzy halmazt. Többféle következtetési módszer ismert, gyakorlati alkalmazásokban legelterjedtebb a Mamdani-módszer (Mamdani – Assilian, 1975), mely úgy működik, hogy a megfigyelésekhez meghatározzuk, hogy mennyire illeszkednek a szabályokra, és ezen értékek alapján meghatározzuk, hogy mely szabályok mennyire fontosak a végső következtetés kialakításában. Minden szabály kimenetét csak olyan mértékben vesszük figyelembe a megfigyelésre adott következtetés meghatározásánál, amennyi a szabály illeszkedési értéke. Az e mértékekkel módosított szabályok egyesítésével megkapjuk a megfigyelésünkre adott fuzzy következtetést, amelyből meghatározzuk azt a konkrét kimenetet, amely legjobban jellemzi a következtető gép által eredményezett fuzzy halmazt, azaz defuzzifikációt hajtunk végre, például a súlypont alapú (COG) módszerrel, melynek alkalmazása a gyakorlatban a legelterjedtebb.

2.4 Hierarchikus fuzzy rendszerek

Az 1990-es évek elejétől különböző területeken vezettek sikerre a korábban alkalmazott „hagyományos” fuzzy rendszerekhez képest több hierarchikus szintbe strukturált újfajta fuzzy modellek. Kiemelkedő ezek között Mícsió Szugeno (Michio Sugeno) pilótanélküli helikopter kísérlete, mely azóta tényleges alkalmazásba is került (Sugeno et al., 1993). E rendszerek közös jellemzője, hogy a szükséges állapotváltozók száma viszonylag magas, és a vizsgált rendszer viselkedése értelemszerűen strukturálható, valamely alapváltozók szerint lokális modellek összességére bomlik, és e lokális modellek külön-külön csökkentett számú változót alkalmaznak. Minden lokális modellhez egy alszabálybázis tartozik. A felső, ún. metaszinten először – a megfigyelés környezete vagy a rendszer előírt reakciója alapján – a megfelelő alszabálybázis kiválasztására kerül sor. Ezt a lépést az ún. metaszabályok határozzák meg, amelyek bizonyos, a lokális modelleket lényegében elkülönítő változók értéke alapján, vagy speciálisan a rendszer lokális működését szabályozó változók értéke alapján választják ki a megfelelő lokális modellt. A metaszabályok hasonló szerkezetűek a fuzzy szabályokhoz, de kimenetük konkrét szimbólum.

3. A fuzzy logika alkalmazása

A fuzzy logikát egy projekt keretében megvalósult hálózatfelügyeleti rendszer egy moduljaként alkalmaztuk (Kóczy − Veres, 2005). Olyan intelligens döntéstámogatási rendszert hoztunk létre, amelyet egy mobilhálózat felügyeletében alkalmazunk. A rendszer csapadékjellemzőket határoz meg adott területen, a felügyelt távközlési hálózatban rendelkezésre álló adási/vételi jelszintek alapján, a vételi jelszint csökkenését és az eltelt időt figyelve.

Az alkalmazás adatokat fogad a bázisállomásokról, amelyeket egy adatbázisban tárol a hozzájuk tartozó időbélyeggel együtt. Periodikusan körlekérdezést végez, és az új adatok régiekkel való összevetéséből meghatározza a jelszintváltozást, valamint a hozzá tartozó időt, majd ezen információk alapján következtetést hoz létre. A következtetés egyik típusát az időjárással kapcsolatos döntések jelentik, a másik esetben valamilyen egyéb riasztás generálódik. Az időjárási viszonyok ismerete több, a távközlési felügyeleti rendszer működésében bekövetkező változásra is magyarázatot adhat. Ismert a csapadékmennyiség és a jelszintváltozás összefüggése.

3.1. A fuzzy szabályok meghatározása

A fuzzy szabályrendszer állomáspáronként két bemeneti változót használ: a vételi jelszintcsökkenést és az eltelt időt. A jelszintcsökkenést hat kategóriába soroljuk, nagyon enyhe (0–0,05 dB/km), enyhe (0,03–0,18 dB/km), mérsékelt (0,15–0,7 dB/km), számottevő (0,5–2,5 dB/km), nagy (1,8–5,5 dB/km) és nagyon nagy (3,3–18 dB/km). Az ezeket jellemző fuzzy halmazokat a 3. ábrán szemléltetjük. A fuzzy halmazok tartói részben átfednek, az egyes jelszintcsökkenési osztályok között nem éles a határ.

Az eltelt időt négy kategóriába osztjuk: rövid (0–1 óra), közepes (0,5–4 óra), hosszú (3 óra–4 nap), nagyon hosszú (3 nap–1 év). Az eltelt idő fuzzy halmazai a 4. ábrán láthatók.

A fuzzy rendszer kimenete a csapadékmennyiségeket tartalmazza. Ezeket a következő kategóriákba soroljuk: szitálás: 0–0,5 mm/óra, gyenge esőzés: 0,25–1,75 mm/óra, közepes esőzés: 1–7 mm/óra, erős esőzés: 4–28 mm/óra, záporeső: 16–54 mm/óra, felhőszakadás: 35–150 mm/óra, fuzzy halmazaikat a 5. ábrán mutatjuk be.

3.2. A fuzzy szabályok

Fentiek összefoglalására összesen 24 szabályt állítottunk fel, melyekre példák az alábbiak:

R₁: Ha nagyon enyhe a csökkenés és az eltelt idő rövid, akkor szitálás

R₇: Ha enyhe a csökkenés és az eltelt idő hosszú, akkor gyenge esőzés

R₁₁: Ha mérsékelt a csökkenés és az eltelt idő hosszú, akkor közepes esőzés

R₁₇: Ha nagy a csökkenés és az eltelt idő rövid, akkor záporeső

R₂₀: Ha nagy a csökkenés és az eltelt idő nagyon hosszú, akkor nagy riasztás

R₂₁: Ha nagyon nagy a csökkenés és az eltelt idő rövid, akkor felhőszakadás

3.3. A következtetés

A következtetés során először a szabályok illeszkedési mértékét határozzuk meg az aktuális megfigyelés és a szabályok antecedensrésze alapján. A szabályok két csoportra oszthatók a kimeneteik szerint. Amennyiben az illeszkedés mértéke olyan szabály(ok) esetében a legnagyobb, amely(ek) riasztás(oka)t tartalmaz(nak), akkor a fuzzy rendszer a legnagyobb illeszkedési mértékű riasztásos szabály szerinti következtetést hoz. Amikor a csapadékra vonatkozó szabályok illeszkedési mértéke nagyobb, akkor e szabályok arányosan csonkolt konzekvens fuzzy halmazainak unióján COG defuzzifikációt hajtunk végre, vagyis a Mamdani-féle következtetést alkalmazzuk.

A fuzzy rendszer által adott következtetést térképen is megjeleníthetjük. A felrajzolt négyzetek színei utalnak az esőzés mértékére. A színek és az esőzés összerendelését láthatjuk az 1. táblázatban.

A hat csapadékkategórián kívül a riasztásokat is különböző árnyalatokkal jellemezzük. A 6. ábrán a rendszer működését szemléltetjük egy térképes kezelői felületi képpel, melyet szimulált csapadék segítségével állítottunk elő. Magyarország térképét raszterhálózattal fedtük le, így természetes, hierarchikus struktúrát adva a teljes rendszernek. Olyan területeken, ahol egy raszterelemen belül több állomás is található, átlagos viselkedést számítunk és jelenítünk meg; ahol egy raszterelem esetleg üresen marad, interpolációval állítjuk elő a csapadék becsült értékét. A sötét- és világosszürke foltok szimulációs adatok alapján a feltételezett csapadékmennyiséget mutatják.

4. Összefoglalás

E cikkben áttekintettük a fuzzy rendszerek alapjait, kitérve a hierarchikus fuzzy rendszerekre is, és egy alkalmazási példát is bemutattunk időjárási helyzet intelligens felismerésére. E rendszerek jól használhatók döntéstámogató eszközként olyan területeken, ahol az emberi tudás fuzzy szabályok formájában reprezentálható. További tervünk, hogy kiterjesszük az intelligens döntéstámogató rendszert valódi hierarchikus fuzzy szabálybázisokat használó rendszerré. Laboratóriumi körülmények között bemutattunk egy alkalmazást, amelyik egy országos kiterjedésű mikrohullámú hírközlő hálózat központi felügyeleti rendszerében ciklikusan frissülő átviteli állapot-adatbázis alapján lehetővé teszi az időjárási eredetű riasztások automatikus elkülönítését az átviteltechnikai berendezések különböző típusú meghibásodásaitól, valamint a hírközlő hálózat teljes földrajzi kiterjedési területén eső/köd intenzitástérkép folyamatos identifikálását.

Kulcsszavak: mobilhálózatok, felügyeleti rendszerek, intelligens módszerek, fuzzy logika

Irodalom

Kóczy T. László − Tikk Domonkos (2000): Fuzzy rendszerek. Typotex, Budapest

Kóczy T. László − Veres L. (2005): Üzemfelügyeleti rendszer mesterséges intelligenciával. Projekt zárójelentés. NKFP-2/0015/2002. BME Távközlési és Médiainformatikai Tanszék, 2005. szeptember.

Mamdani, Ebrahim H. – Assilian, Seto (1975): An Experiment in Linguistic Synthesis with a Fuzzy Logic Controller. International Journal of Man-Machine Studies. 7, 1–13.

Sugeno, Michio − Griffin, M. F. − Bastian, A. (1993): Fuzzy Hierarchical Control of an Unmanned Helicopter. 5^th IFSA World Congress (IFSA’93), Seoul, 1262–1265.

Zadeh, Lotfi A. (1965): Fuzzy Sets. Information and Control. 8, 3, 338–353.

1. ábra • Csillapítás mértékének jellemzése fuzzy halmazokkal

2. ábra • Fuzzy következtető rendszer vázlata

3. táblázat • Csapadéktípusok és a hozzárendelt színek

4. ábra • A jelszint csökkenések fuzzy halmazai (dB/km)

5. ábra • Az eltelt idő fuzzy halmazai

6. ábra • A csapadékmennyiségek fuzzy halmazai (mm/óra)

7. ábra • Csapadékfelhő, egyidejű budapesti hibajelzéssel

<-- Vissza a 2007/07 szám tartalomjegyzékére

---

<-- Vissza a Magyar Tudomány honlapra

---

[Információk] [Tartalom] [Akaprint Kft.]

---