欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2022107261346
申请人: 南京邮电大学
专利类型:发明专利
专利状态:已下证
专利领域: 电通信技术
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种基于知识和数据融合的蜂窝网络故障诊断方法,其特征在于,包括以下步骤:步骤S1、从密集型异构蜂窝网络环境中采集带有标签的网络状态数据集,通过XGBoost算法,从数据集中选取最优子集;

步骤S2、将步骤S1中经过预处理的带有标签的网络状态数据集输入生成对抗网络中,得到带有标签的表征不同网络状态的模拟数据集,并将其与步骤S1中经过预处理后的数据集汇总;

步骤S3、使用KPI离散化规则对步骤S1中经过XGBoost算法得到的最优特征子集进行离散化操作,根据离散化后的KPI属性,通过合理划分训练数据集训练朴素贝叶斯分类器,利用训练好的朴素贝叶斯模型对剩余的数据进行分类,得到预诊断结果;使用预诊断结果集来构建拓扑关联图,即邻接矩阵;

步骤S4、根据得到的拓扑关联图,在原有的GCN模型的基础上对GCN进行改进,利用改进后的GCN得到最终的网络故障诊断结果,具体包括首先将数据集中数据样本的特征参数向量转换成n×d0维的特征矩阵X,再根据节点间的相似性构建n×n维的邻接矩阵A,把X和A作为GCN的输入;

input=(X,A)

GCN中定义的前向激励传播公式为:

对原先的GCN进行改进,增加权重系数λ,λ用来控制由朴素贝叶斯得出的预诊断先验知识和训练数据集规模分别对模型精度的影响改进后的GCN模型的传播公式为:

其中,σ是激活函数,是矩阵的度矩阵,它主对角线上的每个元素是由矩阵中对应行的所有元素求和得到的;W(l)是第l层中可训练的权重矩阵;H(l)是第l层图卷积层的输入节点特征矩阵;

图卷积神经网络的输出是一个节点特征矩阵其中c是预定义的网络故障类别的数量;对于输出结果矩阵Z=[Z1,Z2,...,Zn],Z中的每一个行向量Zi(1≤i≤n)即对应于原数据集中样本节点xi的预测出最终的网络故障类别;具体来说,对于行向量Zi=[Zi,1,Zi,2,...,Zi,c],样本节点xi的预测标签即为在GCN训练过程中,通过训练集中的标记样本来计算交叉熵损失函数,并使得误差逆向传播,根据梯度下降法优化各图卷积层中权重矩阵的权值,其中,l是指带标签样本的数目,c是网络状态类别总数,Y是节点的标签矩阵。

2.根据权利要求1所述的一种基于知识和数据融合的蜂窝网络故障诊断方法,其特征在于,所述步骤S1中通过XGBoost算法,从数据集中选取最优子集的具体方法如下:步骤S1.1、通过XGBoost的特征重要性排序功能得出各特征的重要性分数,并做降序排序;

步骤S1.2、XGBoost根据重要性分数不断提高特征选取阈值,将分数高于该阈值的特征参数保留,反之则丢弃,进而得到不同特征组合下XGBoost模型的准确率;

步骤S1.3、对模型准确率和特征数量进行权衡,得到最优的网络特征参数子集。

3.根据权利要求1所述的一种基于知识和数据融合的蜂窝网络故障诊断方法,其特征在于,所述步骤S2中得到带有标签的表征不同网络状态的模拟数据集具体步骤为:步骤S2.1、所选生成对抗网络模型为WGAN-GP,优化目标具体为:D(s)是一个标量,代表s来自于真实数据分布;其中代表生成器产生的数据服从的分布,是真实数据服从的分布;是对真实数据与生成数据组成的整个数据集做采样得来的,利用在[0,1]之间服从均匀分布的∈,然后在和的连线上随机插值采样,得到作为惩罚项,在惩罚项中越接近1,惩罚就越少,λ为惩罚参数;

步骤S2.2、基于WGAN-GP生成模拟数据集的具体步骤为:

(1)采用两个全连接神经网络分别构成生成器和判别器;

(2)训练生成器,使生成器对异构无线网络环境中采集带有标签的不同网络状态数据集分别进行模仿,生成模拟数据;

(3)将从异构无线网络环境中采集带有标签的网络状态数据集与生成器产生的模拟数据分别输入到判别器,进行判别器的训练;

(4)对生成器和判别器进行交替迭代训练,最终得到平衡,模型收敛;

(5)生成带有标签的表征不同网络状态的模拟数据集。

4.根据权利要求1所述的一种基于知识和数据融合的蜂窝网络故障诊断方法,其特征在于,所述步骤S3的得到预诊断结果的具体步骤为:步骤S3.1、根据离散化后的KPI属性,通过训练数据集训练朴素贝叶斯分类器;

步骤S3.2、基于规则的网络故障诊断方法,假设网络故障集合C={C1,C2,...,CM,UN}中前M个记录表示历史数据库中已存储的M种网络故障,UN表示未识别出的网络故障,S=[KPI1,KPI2,...,KPIn]是根据各KPI的值得出的用以描述网络状态的特征属性向量;故障诊断的过程如下式所示:IF KPI1>TH1 AND KPI2<TH2...AND KPIn>THn,THEN D(cell)=Ci其中,THi是预设的第i个KPI的状态划分阈值,用以表示KPI是否正常,D(cell)表示对小区的故障诊断结果;当某个规则的所有条件都被满足时,该方法就会输出状态S所对应的故障原因Ci;但是,如果没有任何规则匹配,则输出为UN,表示未预见的故障;

步骤S3.3、利用训练好的朴素贝叶斯模型对剩余的数据进行分类,得到预诊断结果标签集其中N表示经WGAN-GP扩容后数据集的总样本数;具体分类步骤如下:选择使得后验概率最大的网络故障类别作为当前网络所遭受的网络故障h*(X),即:转换为对数形式:

通过拉普拉斯平滑方法来估算先验概率P(yi)和条件概率P(xj|yi),即:其中,Dt表示训练数据集所包含的样本总数;是训练集中处于网络故障yi情况下的样本总数;表示训练集中处于网络故障yi情况下并且第j个KPI参数取值为xj的样本总数;L是之前定义的网络故障类别总数;Sj是第j个KPI的所有可能的取值数。

5.根据权利要求1所述的一种基于知识和数据融合的蜂窝网络故障诊断方法,其特征在于,所述的基于预诊断结果集来构建拓扑关联图,即邻接矩阵A,具体内容如下:在预诊断结果集中,被诊断为具有相同网络故障类型的数据在图中相互连接,而具有不同网络故障类型的数据相互之间没有连接,即: