CN115119242B 一种基于知识和数据融合的蜂窝网络故障诊断方法 （南京邮电大学）

号一种基于知识和数据融合的蜂窝网络故障本发明公开了一种基于知识和数据融合的(GAN)的方法对真实的数据集进行数据扩充，有效地平衡数据集以及减少标记数据所花费的成生成数据间的关联图，有效地解决了GCN生成的关联图与训练数据集都输入到GCN模型中进行模型的训练，对GCN模型进行改进使之在训练中能够分别调整预诊断先验知识和训练数据集规模2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，步骤S3、使用KPI离散化规则对步骤S1中经过XGBoo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,1,2.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33.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，其特征得来的，利用在[0,1]之间服从均匀分布的∈,然后在s'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(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(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=步骤S3.3、利用训练好的朴素贝叶斯模型对剩余的数4t表示训练数据集所包含的样本总数；D,是训练集中处于网络故障yi情况下的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，其特征在预诊断结果集中，被诊断为具有相同网络故障类5[0003]CN113709779A一种蜂窝网络故障诊断方法,公开了一种蜂窝网络故障诊断方法，[0004]传统的网络故障诊断主要是通过将网络性能指标的报警在已经被初步应用到了机械故障诊断领域。基于GCN的网络故障诊断方法在获取数据间的关联图比较粗糙且不具有实际意义，在缺乏可解释性的同时难以进一步提高GCN模型分类[0009]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6[0022](2)训练生成器，使生成器对异构无线网络环境中采集少量带有标签的不同网络[0023](3)将从异构无线网络环境中采集少量带有标签的网络状态数据集与生成器产生7[0028]步骤S3.2、利用训练好的朴素贝叶斯模型结合专家知识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。[0029]选择使得后验概率最大的那个网络故障类别作为当前网络所遭受的网络故障h*[0038]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，8对应行的所有元素求和得到的，所以的形成完全依赖于a。W(l)是第l层中可训练的权重[0052]图卷积神经网络的输出是一个节点特征矩阵zeRF",其中c是预定义的网络故障图和训练数据集同时输入到改进后的GCN模型进行模型的训练。该方法结合了预诊断先验获得的历史数据不够丰富导致构建诊断系统效果不理想的问题。解决了基于GCN的网络古工标注训练数据的时间而且大大提高了故障诊9[0066]本发明以图1所示的由高功耗的宏基站和低功耗的微基站组成具有多层次网络结障类别变量集以及故障变量集及其关键性能[0067]基于图1所示密集型异构蜂窝网络，本发明提出了一种基于知识和数据融合的蜂[0068]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gg[0078](2)训练生成器，使生成器对异构无线网络环境中采集少量带有标签的不同网络[0079](3)将从异构无线网络环境中采集少量带有标签的网络状态数据集与生成器产生[0084]步骤S3.2、利用训练好的朴素贝叶斯模型结合专家知识对剩余的数据进行分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。[0085]选择使得后验概率最大的那个网络故障类别作为当前网络所遭受的网络故障h*下的样本总数；D,,表示训练集中处于网络故障yi情况[0094]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，有元素求和得到的，所以的形成完全依赖于神经网络的输出通过对输入的前向激励987654321拟数据与原始数据集中的真实数据进行合并得到扩充后的数据集，扩充后的数据集如表212345678的方式根据训练数据集中各网络故障状态下KPI取值的出现频率来计算似然函数，从而最结果标签集其中N表示经WGAN-GP扩容[0121]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，有元素求和得到的，所以的形成完全依赖于a。神经网络的输出通过对输入的前向激励[0131]根据预诊断结果获取的数据间拓扑关联图具备良好的特性，解决了GCN结构中图ix",[0135]由于叠加多个图卷积层可以聚合更高阶邻域内邻近节点[0139