一种蜂窝网络故障诊断方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN113709779A(43)申请公布日2021.11.26(21)申请号202110862707.3(22)申请日2021.07.29(71)申请人南京邮电大学地址210046江苏省南京市栖霞区仙林大学城文苑路9号(72)发明人朱晓荣吴铭骁何明坤肖芳(74)专利代理机构南京经纬专利商标代理有限公司32200代理人朱桢荣(51)Int.Cl.H04W24/04(2009.01)G06N3/04(2006.01)G06N3/08(2006.01)权利要求书1页说明书5页附图2页(54)发明名称一种蜂窝网络故障诊断方法(57)摘要本发明公开了一种蜂窝网络故障诊断方法，包括以下步骤：步骤1、确定网络故障数据集；步骤2、得到降维后的网络故障数据集；步骤3、将步骤2中降维后的网络故障数据集用特征矩阵的形式来表示；将步骤2中降维后的网络故障数据集的标签信息用标签矩阵的形式表示；将引入的权重矩阵转换为矩阵元素只有0和1的邻接矩阵；步骤4、基于图卷积神经网络的故障诊断。该新型蜂窝网络故障诊断方法深入研究了异构无线网络的智能故障诊断，结合大数据处理方法分析样本间的相似特性，将已有的网络故障参数数据集转换成图结构数据，利用图卷积神经网络从图结构数据中提取特征，从而完成对于样本节点的分类任务，预测出小区的故障类型。CN113709779ACN113709779A权利要求书1/1页1.一种蜂窝网络故障诊断方法，其特征在于，包括以下步骤：步骤1、确定网络故障数据集；具体如下：步骤101、网络故障数据集中的数据包括原始特征参数和标签类别，定义了非网络故障情况以及5种网络故障作为标签类别，其中，5种网络故障分别为上行干扰、下行干扰、覆盖空洞、空口故障和基站故障；步骤102、将识别故障小区时所用到的所有关键性能指标作为原始特征参数，原始特征参数包括16个特征参数，这16个特征参数包括参考信号接收功率、参考信号接收质量、上行链路分组丢失率、下行链路分组丢失率、上行链路信噪比、下行链路信噪比、无线资源控制连接建立成功率、演进无线接入承载建立成功率、掉话率、切换成功率、上行平均吞吐量、下行平均吞吐量、节点传出平均吞吐量、节点传入平均吞吐量和切换时延和链路误码率；步骤2、采用XGBoost算法，从原始特征参数中选取使XGBoost算法的诊断准确率最高的前n个特征参数作为网络故障数据集中数据的特征参数，从而得到降维后的网络故障数据集，0＜n＜16；步骤3、图数据转换，具体如下：步骤301、将步骤2降维后的网络故障数据集用特征矩阵的形式来表示，特征矩阵中的每个行向量分别对应于降维后的网络故障数据集中的一条除类别信息外的特征参数向量；步骤302、将步骤2降维后的网络故障数据集的标签信息用标签矩阵的形式表示；在标签矩阵中，标记数据的标签行向量是独热编码的形式，而未标记数据的标签行向量则为零向量；标记数据是指带标签的数据，未标记数据是不带标签的数据；步骤303、将降维后的网络故障数据集映射成一个无向图G＝(V,E)，无向图由两种类型的元素组成，即节点集V和边集E；引入一个权重矩阵来表示无向图中节点之间的相似度，权重矩阵中的元素是各节点对间的相似度，而各节点对之间的相似度是通过两两节点计算欧氏距离并进行归一化得到的；再通过设置的参数阈值，将权重矩阵中的全部元素与该参数阈值进行比较，若当前元素大于该参数阈值，则将该元素置为1，否则置为0；从而将权重矩阵转换为矩阵元素只有0和1的邻接矩阵，邻接矩阵表示了节点间的相邻关系；步骤4、基于图卷积神经网络的故障诊断，具体如下：步骤401、调整图卷积神经网络的参数并选择层次结构，构建图卷积神经网络模型；步骤402、步骤301的特征矩阵和步骤302的标签矩阵是图卷积神经网络的输入，用来训练图卷积神经网络模型中的参数，并根据训练后的图卷积神经网络模型、步骤303的邻接矩阵、采用层与层之间的传播公式获得各节点的高阶聚合特征属性；将各节点的高阶聚合特征属性输入图卷积神经网络模型中的Softmax层，得到最终的故障分类诊断结果。2.根据权利要求1所述的一种蜂窝网络故障诊断方法，其特征在于，步骤2具体如下：步骤201、使用XGBoost算法，获得原始特征参数中的每个特征参数的重要性评分；步骤202、根据特征参数的重要性评分的大小，对特征参数进行降序排序；步骤203、根据步骤202中排好序的原始特征参数，从中选取使XGBoost算法的诊断准确率最高的前n个特征参数作为网络故障数据集中数据的特征参数，从而得到降维后的网络故障数据集，0＜n＜16。3.根据权利要求1所述的一种蜂窝网络故障诊断方法，其特征在于，图卷积神经网络模型中的参数包括图卷积层层数、dropout层概率大小、以及滤波