APPRENTISSAGE ET DIAGNOSTIC DE SYSTEMES COMPLEXES : RÉSEAUX DE NEURONES ET RÉSEAUX BAYÉSIENS.
Application à la gestion en temps réel du trafic téléphonique français

Ph. Leray

LIP6 1998/043: THÈSE de DOCTORAT de l'UNIVERSITÉ PARIS 6 LIP6 / LIP6 research reports
176 pages - Septembre/September 1998 - French document.

PostScript : 574 Ko /Kb

Contact : par mail / e-mail

Thème/Team: Apprentissage et Acquisition de Connaissances

Titre français : APPRENTISSAGE ET DIAGNOSTIC DE SYSTEMES COMPLEXES : RÉSEAUX DE NEURONES ET RÉSEAUX BAYÉSIENS.
Application à la gestion en temps réel du trafic téléphonique français
Titre anglais : LEARNING AND DIAGNOSIS OF COMPLEX SYSTEMS: NEURAL NETWORKS AND BAYESIAN NETWORKS.
Application to real time management of the French telephone network

Résumé : Ce travail porte sur le diagnostic de systèmes complexes à l'aide de méthodes de Reconnaissance des Formes. Les systèmes industriels étant de plus en plus complexes, il faut les surveiller en permanence pour détecter les pannes éventuelles et maintenir une bonne qualité de service. Ces considérations ont motivé d'importants efforts dans le développement de méthodes de diagnostic. Suite à un appel d'offre lancé en 1994 par le CNET et France Télécom, nous avons commencé à travailler sur l'utilisation des Réseaux de Neurones pour le diagnostic en temps réel du trafic téléphonique.
La première section de ce document regroupe trois chapitres concernant l'utilisation de méthodes connexionnistes pour le diagnostic de systèmes complexes. Le chapitre 1 présente succinctement les problématiques du Diagnostic, l'utilisation de méthodes de Reconnaissance des Formes dans ce cadre, et plus précisément les Réseaux de Neurones et les Réseaux Bayésiens. Ensuite les chapitres 2 et 3 proposent deux études plus spécialement détaillées sur l'utilisation des Réseaux de Neurones comme outils pour le Diagnostic: les mesures de confiance en classification et la sélection de variables.
La seconde section concerne plus précisément l'application des outils connexionnistes à la gestion du trafic téléphonique. Le chapitre 4 présente le problème et l'approche que nous avons retenue : tout d'abord une génération locale et statique d'alarmes correspondants aux différentes perturbations, et ensuite différentes méthodes de filtrage d'alarmes qui prennent en compte les dépendances qui existent dans un système complexe. Le chapitre 5 présente les différentes expériences que nous avons effectuées au niveau local de notre architecture de diagnostic. Le chapitre 6 montre ensuite l'utilisation des Réseaux de Neurones pour le filtrage temporel puis spatial d'alarmes, et celle des Réseaux Bayésiens pour le filtrage spatial d'alarmes.

Abstract : This work discusses about diagnosis of complex systems with pattern recognition methods. Industrial systems are more and more complex, they need to be monitored continuously to detect disruptions and maintain a good quality of service. These considerations led to important efforts in the diagnosis field. We have began to work with the CNET, the France Télécom research center, on the application of neural network techniques for real-time telephone network management.
The first section of this document consists of three chapters about the use of connectionist methods for complex system diagnosis. Chapter 1 briefly presents the main problematics of diagnosis, the application of pattern recognition for diagnosis, and more specially neural network and bayesian networks. Chapters 2 and 3 propose specific studies about the use of neural networks for diagnosis: confidence measurement for classification tasks and feature selection.
The second section concerns more precisly the application of connectionist tools to telephone network trafic management. Chapter 4 presents the task and the approach we developped: first, a local and statical generation of alarms corresponding to the different overloads, then different alarm filtering methods taking into account correlations existing in a complex system. Chapter 5 present the different experiments we proceed in the local level of our diagnosis architecture. Chapter 6 concerns the use of neural networks and bayesian networks for temporal alarm filtering and for spatial alarm filtering.

Mots-clés : Réseaux de Neurones, Réseaux Bayésiens, Apprentissage Diagnostic, Sélection de Variables, Mesure de Confiance

Key-words : Neural Networks, Bayesian Networks, Learning Diagnosis, Feature Selection, Confidence Measurement

Publications internes LIP6 1998 / LIP6 research reports 1998

Responsable Éditorial / Editor
webmaster@lip6.fr