Contents

• Contents
• Johdanto
• Analyysimenetelmä
  • Neuraalilaskenta ja keinotekoiset neuroverkot
  • Itseorganisoituva kartta (SOM)
    • Itseorganisoituvan kartan rakenne
    • Opetusjoukko
    • Alustus
    • Opetusalgoritmi
      • Perusalgoritmi
      • Eräalgoritmi (Batch Map)
    • Virhemittoja
      • Opetusparametrivalintojen vaikutus
    • Datan esikäsittely
      • Puuttuvat ja poikkeavat arvot
      • Datan skaalaus
        • Lineaarinen skaalaus
        • Epälineaarinen skaalaus
    • Visualisointi
      • Komponenttitasot
      • U-matriisi
      • Sammonin kuvaus
      • Osumat ja trajektorit
      • Nimentä
      • Mallivektorien esittäminen
      • Klusterien havainnollistaminen ja kuvauksien yhdistäminen värien avulla
    • Paikalliset datajoukot ja -mallit
    • Komponenttien painotus (maskaus)
  • Kartan sovelluksia
  • Jonomallit
    • Jonon parametreja
    • Miksi jonomalleja ei käytetä tässä työssä?
• Analyysityökalu
  • Data-analyysiprosessi
  • Matlab
  • Matlab-SOM Toolbox -yhdistelmä
  • SOM Toolbox ja Matlab data-analyysiprosessissa
  • SOM Toolboxin vertailua muihin neurolaskennan ohjelmistotuotteisiin
    • SOM Toolbox
    • Muita vastaavia ohjelmistoja
      • SOM_PAK
      • Neural Data Analysis
  • Toteutus
    • Perustoiminnot
    • Tietorakenteet ja funktiot
      • Datatietorakenne
      • Karttatietorakenne
      • Visualisointi
    • Yhteenveto: som_doit
    • Graafinen käyttöliittymä
    • Muita työkaluja
• Puheludatan analysointi
  • Automaattinen puhelunohjausjärjestelmä
  • Analyysin tavoitteet
  • Aineiston valinta
  • Prosessin analysointia kartan avulla
    • ACD-datan keruu ja datan virheiden korjaaminen
    • Esikäsittely Matlabissa
    • Tarkasteltavien muuttujien valinta
    • Kartan tulkinnan apuvälineitä
      • Kartan ja datan karkea jaottelu
      • Hajanaisen ja subjektiivisen arvion yhdistäminen järjestelmästä saatuun dataan
    • Prosessin dynamiikan tutkiminen kuvaajien ja kartan yhdistelmällä
  • Konttoreiden jaottelu soittojen aiheiden mukaan
    • Datan kerääminen ja siirto Matlabiin
    • Esikäsittely Matlabissa
    • Tarkasteltavien muuttujien valinta
    • Tulokset
• Pohdintoja
  • Uuden työkalun ominaisuudet
  • Analyysiosuus
    • Työvoimaresurssien jakaminen
    • Prosessin monitorointi
    • Puhelujen aiheet
  • Lopuksi
• QLINK-järjestelmän jonoraportti
• References

Tärkeimmät lyhenteet ja merkinnät

BMU 		 Best Matching Unit, voittajayksikkö       
MLP 		 Multi-Layered Perceptron, monikerrosperseptroni 
SOM 		 Self-Organizing Map, itseorganisoituva kartta 
TKK 		 Teknillinen korkeakoulu 
WWW 		 World Wide Web
$\mathcal L$ karttahila 
$d_{\mathcal L}$ karttahilan dimensio 
$\mathcal D$ datavektorien joukko 
$d_{\mathcal D}$ datavektorien dimensio 
${\bf x}_i$ i:s datavektori 
xj datavektorien $\bf x$ j:s komponentti
xji datavektorin ${\bf x}_i$ j:s komponentti
${\bf n}_i$ 		 i:s karttayksikkö (node t. neuron) 
${\bf n}_c$ 		 voittajayksikkö 
${\bf n}^i_{ck}$ karttayksikkö, joka on datavektorin i                       suhteen k:s voittajayksikkö 
Vi karttayksikön ${\bf n}_i$ Voronoi-alue 
${\bf m}_i$ 		 karttayksikön ${\bf n}_i$ mallivektori 
${\bf m}_c$ 		 voittajayksikön mallivektori  
${\bf m}_{ck}$ k:nen voittajayksikön mallivektori 
hc karttayksikön c naapurustokernel  
$\sigma$ 1. naapuruston leveys, 2. keskihajonta 
$\epsilon_q$ kvantisointivirhe 
$\epsilon_t$ topografinen virhe 
$\epsilon_{tq}$ yhdistetty virhe 
p(x) todennäköisyysjakautuman tiheysfunktio 
F(x) todennäköisyysjakautuman kertymäfunktio 
$\lambda$ keskimääräinen saapumisintensiteetti 
$\mu$ keskimääräinen palveluintensiteetti 
$\alpha$ 1. liikenneintensiteetti 2. oppimisnopeuskerroin
$\rho$ käyttöaste 
WQ keskimääräinen odotusaika 
NQ keskimääräinen jonon pituus