一种基于模糊神经网络的故障预测方法技术

本发明专利技术涉及一种基于模糊神经网络的故障预测方法,能够解决现有技术中无法进行在线故障预测的问题。所述基于模糊神经网络的故障预测方法包括:根据故障预测时序建立算法模型；读取表征网络运行状态的τ个时隙的τ个n维指标数据；向输入层神经元节点中输入τ个指标数据；预处理层神经元节点利用第一映射函数将每一个n维指标数据中的每一类别的指标数据映射成集合S中的一种；根据预先确定的预处理层神经元节点与规则层神经元节点间的关联权重确定出指标与故障间的关联规则；根据指标与故障间的关联规则确定出τ个指标数据处于故障倾向模式和无故障模式的概率；将概率中较大的概率所对应的模式确定为预测结果。本发明专利技术适用于需要进行故障预测的场合。

【技术实现步骤摘要】
一种基于模糊神经网络的故障预测方法
本专利技术涉及网络故障预测
，尤其涉及一种基于模糊神经网络的故障预测方法。
技术介绍
为了有效应对复杂网络环境出现的故障，网络自管理要求分析网络运行状态并发现网管系统中指标和故障的关联关系，并在故障发生前能够预测即将发生故障的可能性。目前，已经出现了一种故障预测方法，包括层次分析法，模糊评价法等，其核心是将该领域专家的经验判断予以量化，从而为决策者提供定量形式的决策依据，但是，需要人为给定每个指标的权值并且需要专家参与，无法实现在线故障预测的特殊需求。
技术实现思路
有鉴于此，本专利技术实施例提供一种基于模糊神经网络的故障预测方法，能够解决现有技术中无法进行在线故障预测的问题。为达到上述目的，本专利技术的实施例采用如下技术方案：本专利技术提出了一种基于模糊神经网络的故障预测方法,包括:根据故障预测时序建立算法模型；其中，所述算法模型由输入层神经元节点、预处理层神经元节点、规则层神经元节点、模式层神经元节点和输出层神经元节点组成，所述输入层神经元节点与所述预处理层神经元节点之间连接，所述预处理层神经元节点与所述规则层神经元节点之间连接，所述规则层神本文档来自技高网...

【技术保护点】
一种基于模糊神经网络的故障预测方法,其特征在于,包括:根据故障预测时序建立算法模型；其中，所述算法模型由输入层神经元节点、预处理层神经元节点、规则层神经元节点、模式层神经元节点和输出层神经元节点组成，所述输入层神经元节点与所述预处理层神经元节点之间连接，所述预处理层神经元节点与所述规则层神经元节点之间连接，所述规则层神经元节点与所述模式层神经元节点之间连接，所述模式层神经元节点与所述输出层神经元节点之间连接；读取表征网络运行状态的τ个时隙的τ个n维指标数据；其中，所述n为用于故障预测的指标类别数量；向所述输入层神经元节点中输入所述τ个n维指标数据；所述预处理层神经元节点利用第一映射函数将所述输...

【技术特征摘要】
1.一种基于模糊神经网络的故障预测方法,其特征在于,包括:根据故障预测时序建立算法模型；其中，所述算法模型由输入层神经元节点、预处理层神经元节点、规则层神经元节点、模式层神经元节点和输出层神经元节点组成，所述输入层神经元节点与所述预处理层神经元节点之间连接，所述预处理层神经元节点与所述规则层神经元节点之间连接，所述规则层神经元节点与所述模式层神经元节点之间连接，所述模式层神经元节点与所述输出层神经元节点之间连接；读取表征网络运行状态的τ个时隙的τ个n维指标数据；其中，所述n为用于故障预测的指标类别数量；向所述输入层神经元节点中输入所述τ个n维指标数据；所述预处理层神经元节点利用第一映射函数将所述输入层神经元节点中输入的每一个n维指标数据中的每一类别的指标数据映射成集合S＝{N，Awarning，Aminor，Amajor，Acritical，F}中的一种；其中，所述N表示正常状态，所述Awarning表示警告状态，所述Aminor表示次要告警状态，所述Amajor表示主要告警状态，所述Acritical表示严重告警状态，所述F表示故障状态；根据预先确定的所述预处理层神经元节点与所述规则层神经元节点间的关联权重，并利用第二映射函数确定出指标与故障间的关联规则；根据预先确定的所述规则层神经元节点与所述模式层神经元节点间的关联权重与所述指标与故障间的关联规则，并利用第三映射函数确定出所述τ个n维指标数据处于故障倾向模式和无故障模式的概率；将所述概率中较大的概率所对应的模式确定为预测结果；所述τ个n维指标数据所述(k∈(1，2，…，τ))为第k个时隙的n维指标数据，所述xki(i∈(1，2，…，n))为第k个时隙的第i个指标类别的指标数据，其中，所述预处理层神经元节点利用第一映射函数将所述输入层神经元节点中输入的每一个n维指标数据中的每一类别的指标数据映射成集合S＝{N，Awarning，Aminor，Amajor，Acritical，F}中的一种，包括:所述预处理层神经元节点将所述输入层神经元节点中输入的第i个时隙的n维指标数据中的第j个类别的指标数据按照公式∈S＝{N，Awarning，Aminor，Amajor，Acritical，F}(i＝1,2,…,τ；j＝1,2,…,n)进行映射；其中，所述degree(i-1)*n+j为所述预处理层中第(i-1)*n+j个神经元节点的输出；所述输入层神经元节点数量为τ，所述预处理层神经元节点数量为τ*n，所述规则层神经元节点数量为n+τ+ε(ε∈N+)，其中，所述根据预先确定的所述预处理层神经元节点与所述规则层神经元节点间的关联权重确定出指标与故障间的关联规则，包括：根据预先确定的所述预处理层神经元节点与所述规则层神经元节点间的关联权重确定出n个不同时隙下相同类别的指标同故障的关联规则、τ个同一时隙下不同类别的指标同故障的关联规则和ε个不同时隙下不同类别的指标同故障的关联规则；所述根据预先确定的所述预处理层神经元节点与所述规则层神经元节点间的关联权重，并利用第二映射函数确定出n个不同时隙下相同类别的指标同故障的关联规则、τ个同一时隙下不同类别的指标同故障的关联规则和ε个不同时隙下不同类别的指标同故障的关联规则，包括:按照公式j＝1,2,...,(n+τ+ε)依次确定出n个不同时隙下相同类别的指标同故障的关联规则、τ个同一时隙下不同类别的指标同故障的关联规则和ε个不同时隙下不同类别的指标同故障的关联规则；其中，所述Rulej为所述规则层第j个神经元节点的输出，所述ωij为所述预处理层第i个神经元节点与所述规则层第j个神经元节点间的关联权重，所述θj表示所述规则层中第j个神经元节点的阈值。2.根据权利要求1所述的基于模糊神经网络的故障预测方法,其特征在于,所述模式层神经元节点数量为2，所述规则层神经元节点与所述模式层神经元节点之间全连接，其中，所述根据所述规则层神经元节点与所述模式层神经元节点间的关联权重与所述指标与故障间的关联规则，并利用第三映射函数确定出所述τ个n维指标数据处于故障倾向模式和无故障模式的概率，包括:按照公式(j＝1,2)确定出所述τ个n维指标数据处于故障倾向模式的概率P1和无故障模式的概率P2；所述Pj为所述模式层第j个神经元节点的输出，所述vij为所述规则层第i个神经元节点与所述模式层第j个神经元节点间的关联权重，所述表示...

【专利技术属性】
技术研发人员：郭少勇，熊翱，丰雷，亓峰，徐键，张国翊，郑维维，
申请(专利权)人：北京邮电大学，
类型：发明
国别省市：北京;11