一种基于模式提取进行表征学习的蜂窝网络故障诊断方法.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115865627A(43)申请公布日2023.03.28(21)申请号202211515247.8(22)申请日2022.11.30(71)申请人南京航空航天大学地址211106江苏省南京市江宁区将军大道29号(72)发明人朱琨李建鹏(74)专利代理机构南京合砺专利商标代理事务所(普通合伙)32518专利代理师鲍小龙(51)Int.Cl.H04L41/0631(2022.01)H04L41/14(2022.01)G06F18/241(2023.01)G06N3/0455(2023.01)G06N3/084(2023.01)权利要求书2页说明书5页附图1页(54)发明名称一种基于模式提取进行表征学习的蜂窝网络故障诊断方法(57)摘要本发明公开了一种基于模式提取进行表征学习的蜂窝网络故障诊断方法，在蜂窝网络场景中，当网络状况出现异常时，监测收集到的关键指标数据可以被用于故障的诊断和故障原因的分析。本发明采用模式提取的方法来从网络数据中挖掘内在特征表示，首先根据网络参数指标的阈值信息为数据生成相应的状态模式，在整个表征学习过程中包括两个任务，第一个任务是重构数据本身，第二个任务是重构数据对应的状态模式，这两个任务可以使编码器分别从全局和局部的角度来学习表征。然后通过蜂窝网络数据训练得到故障诊断模型。本发明通过提取富含信息的表征来提高诊断模型的准确率。CN115865627ACN115865627A权利要求书1/2页1.一种基于模式提取进行表征学习的蜂窝网络故障诊断方法，其特征在于：包括以下步骤：(1)根据蜂窝网络中网络参数指标的阈值信息为数据构造状态模式向量，包括利用样本的参数指标值与对应的阈值上下界的关系来确定状态模式向量中的模式值，所述的状态模式向量用于隐层表征的学习；(2)利用模式提取法对网络数据进行内在特征的提取，且基于自学习重构数据本身和重构数据对应的状态模式；该步骤中，表征学习的总目标函数表示如下：其中N表示样本的数量，λ用来平衡数据重构损失和状态模式重构损失；(3)根据提取到的内在特征训练故障诊断模型，包括利用表征学习中的编码器为网络数据提取隐层表征和基于提取到的特征来训练用于故障诊断的分类模型；(4)通过步骤(3)得到的故障诊断模型对未知故障进行诊断，利用训练好的自编码器中的编码器对网络数据进行处理得到隐层表征，然后将隐层表征作为诊断模型的输入进行诊断，得到故障诊断的结果。2.根据权利要求1所述的基于模式提取进行表征学习的蜂窝网络故障诊断方法，其特征在于：步骤(1)中，根据网络参数指标的阈值信息对网络数据构造对应的状态模式向量p＝[p1,p2,…,pm]，m表示网络参数指标的数量；当样本的参数指标值高于阈值上界时，其对应的模式值被设为1，当样本的参数指标值低于阈值下界时，其对应的模式值被设为‑1，否则模式值被设为0。3.根据权利要求1所述的基于模式提取进行表征学习的蜂窝网络故障诊断方法，其特征在于：步骤(2)是通过自编码实现数据的表征学习，在整个表征学习过程中包括两个任务，第一个任务是重构数据本身，第二个任务是重构数据对应的状态模式；对于任务一：编码器e将输入x转化为潜在的表征z，自编码器的编码过程表示如下：z＝e(x)＝σ(W1x+b1)其中σ为激活函数，解码器gd将新特征空间下的潜在特征表示z重建为原始输入x，重构过程数学表示如下：x′＝gd(z)＝σ(W2x+b2)在第一个任务中，自编码器的训练目标是使重建的输入x'尽可能地与原始输入x相似；对于第二个任务：通过第一个任务中编码器e得到的潜在表征z进行模式重构，解码器gp将新特征空间下的潜在特征表示z重建为原始状态模式向量p，重构过程数学表示如下：p′＝gp(z)＝σ(W3x+b3)在第二个任务中，自编码器的训练目标是使重建的状态模式p'尽可能地与原始状态模式p相似。4.根据权利要求3所述的基于模式提取进行表征学习的蜂窝网络故障诊断方法，其特征在于：步骤(2)中，所述的自编码器由三个神经网络层组成，包括输入层、隐藏层和输出层，且所述的自编码器包括编码器和解码器。2CN115865627A权利要求书2/2页5.根据权利要求1所述的基于模式提取进行表征学习的蜂窝网络故障诊断方法，其特征在于：步骤(3)中，利用表征学习中的编码器e为有标签数据提取隐层表征的计算表达式如下所示：z＝e(x)＝σ(W1x+b1)其中x表示训练样本；根据提取到的特征来训练用于故障诊断的分类模型f，诊断模型的训练损失函数如下所示：其中yi是样本xi对应的真实标签，zi是样本xi的隐层表征。3CN115865627A说明书1/5页一种基于模式提取进行表征学习的蜂窝网络故障诊断方法技术领域[0001]本发明属于蜂窝网络故障诊断技术，