一种通信网络性能故障致因与特征参数关联关系分析方法技术

本发明专利技术公开了一种通信网络性能故障致因与特征参数关联关系分析方法，通信网络故障诊断技术领域。所述方法获取待分析通信网络性能故障的特征参数数据，采用预先建立的超限学习机通信网络性能故障分析模型，对待分析的通信网络性能故障的特征参数进行处理，从而分析出此特征参数对应的通信网络性能故障种类。本发明专利技术实现了通信网络性能故障种类有效准确的分析，通过选取sigmoid激活函数和高斯径向基函数这两种不同的激活函数，增强了传统超限学习机模型的泛化能力，提高了模型精度。

【技术实现步骤摘要】
一种通信网络性能故障致因与特征参数关联关系分析方法
本专利技术属于通信网络故障诊断
，涉及一种通信网络性能故障致因与特征参数关联关系分析方法，尤其涉及一种基于改进ELM的通信网络性能故障致因与特征参数关联关系分析方法。
技术介绍
通信网络故障的影响因素众多，而且多因素复杂耦合，动态时变，进行故障致因与特征参数关联关系分析时，需要考虑整个网络系统的配置、耦合，故障间呈现出复杂的关联关系：一个故障往往引发多个其他故障，这些故障动态依赖，不断关联触发。工程中，面对同时发生的多个故障，在其关联关系未知的情况下，工程人员只能逐一排查，排故效率低下。目前，在分析通信网络性能故障致因时，主要通过专家实践经验。此外，传统研究中分析关联关系，除了专家经验，还有基于规则总结的推理、基于事例的推理等方法。然而，网络故障影响因素众多，不同因素对于性能故障的影响不同，这种关系非常复杂，随着故障规模增加，专家经验很难快速、准确地分析关联关系。近年来随着机器学习技术的发展，为我们提供了新的通信网络性能故障方法。其中超限学习机(ExtremeLearningMachine)(参考文献[1]：HuangGB,WangDH,LanY.Extremelearningmachines:asurvey[J].InternationalJournalofMachineLearning&Cybernetics.2011,2(2):107-122.译：参考文献[1]：黄广斌，王殿辉，LanY.超限学习机：一项调查[J]机器学习和控制论国际期刊.2011,2(2):107-122.)是近几年用的比较多的模型，其实质是完成了输入到输出映射，但传统的超限学习机是一种前馈单隐层神经网络模型，由于其结构特点，其泛化能力较差(泛化能力是指对新样本的适应能力)，并且模型精度有待提高。
技术实现思路
本专利技术是为了解决通信网络性能故障致因的分析问题。在通信网络性能故障致因与特征参数关联关系分析时，传统的超限学习机模型，存在泛化能力较差并且模型精度有待提高的问题，本专利技术针对上述问题提供了一种通信网络性能故障致因与特征参数关联关系分析方法，具体为一种异质隐层节点的超限学习机模型。通过选取sigmoid激活函数和高斯径向基函数这两种不同的激活函数，增强了异质隐层节点的超限学习机模型的泛化能力，提高了模型精度。本专利技术提供的一种通信网络性能故障致因与特征参数关联关系分析方法，其特征是所述方法包括：S1：获取待分析通信网络性能故障的特征参数数据。S2：采用预先建立的超限学习机通信网络性能故障致因分析模型，对待分析的通信网络性能故障的特征参数进行处理，从而分析出此特征参数对应的通信网络性能故障致因。其中，所述的超限学习机通信网络性能故障致因分析模型是基于异质隐层节点的超限学习机模型训练而成的，其训练过程为：S21：利用网络仿真软件(如OPNET)生成异质隐层节点的超限学习机模型的训练样本(或使用实际测量得到的数据作为训练样本)；S22：采用异质隐层节点的超限学习机模型，对所述训练样本进行训练，得到所述的超限学习机通信网络性能故障致因分析模型。其中，异质隐层节点的超限学习机模型采用的激活函数为：其中为sigmoid激活函数，为高斯径向基激活函数，μ是高斯径向基激活函数的中心，σ为高斯径向基激活函数的宽度，如图1所示，a和b为超限学习机训练后得到的参数为常数，i和j分别表示隐层节点的序号，x为输入参数的样本，e是自然对数为常数。其中，所述的利用网络仿真软件(如OPNET)生成异质隐层节点的超限学习机模型的训练样本的过程具体为：S211：确定网络的基础单元信息，确定网络拓扑结构；S212：控制变量，确定影响因素，如网络拓扑结构节点数量、路由器内存等；S213：确定要收集的性能故障的特征参数，包括丢包率、时延、误码率；S214：设置仿真时间，运行仿真程序；S215：导出生成的训练样本。其中，步骤S22所述的对所述训练样本进行训练的过程具体为：S221：将步骤S21所获得的训练样本随机分为训练集和验证集，训练集占p(0.6≤a<1,且a为有理数)，验证集占1-p；S222：将步骤S221所得训练集输入到异质隐层节点的超限学习机模型进行训练得到超限学习机通信网络性能故障致因分析模型；S223：将步骤S221所得验证集输入到步骤S222训练得到的超限学习机通信网络性能故障致因分析模型，将超限学习机通信网络性能故障致因分析模型得到的分析结果与真实结果进行对比，验证所得超限学习机通信网络性能故障致因分析模型的有效性与准确性。本专利技术提供的一种通信网络性能故障致因与特征参数关联关系分析方法，如图1所示的基于套装理论的异质隐层节点的超限学习机模型相对于图2示的传统的超限学习机模型相比，其优点主要在于两点：(1)异质隐层节点的超限学习机模型采用了混合异质隐层节点，即隐层节点的激活函数种类以及数量都是不同的。根据Adaboost理论，当两种激活函数和对应的输入、输出权值矩阵能组合成一个弱分类器，若这两种单隐层节点构成的弱分类器均具有较低的错误率，则混合这些异质节点可以提高模型的精度。本专利技术所选择的两种激活函数sigmoid激活函数和高斯径向基激活函数就可以满足上述条件，因此，改进的超限学习机模型能够提升模型的精度。(2)异质隐层节点的超限学习机模型提升了弱分类器泛化能力。所谓泛化能力是指对新样本的适应能力，传统的超限学习机模型误差主要是由于泛化能力差，目前的研究中超限学习机模型由于其单隐层前馈神经网络的结构特点，虽然其结构简单，运行速度快，然后其泛化能力具有一定的局限性。Adaboost理论在机器学习领域是被证明能够提高泛化能力的一种方法，其核心是将多个“弱分类器”，组合成“强分类器”。我们借助Bagging理论，生成评价函数序列，采用投票机制来提高泛化能力。附图说明图1是套装理论的异质隐层节点的ELM模型工作原理示意图。图2是传统的ELM模型工作原理示意图。图3是异质隐层节点的超限学习机模型训练过程。具体实施方式下面将结合附图和优选实施例对本专利技术作进一步说明。应该强调的是，下述说明仅仅是示例性的，而不是为了限制本专利技术的范围和应用。实施例1为进一步验证模型效率和有效性，选取仿真的故障数据作为实验数据，在内存为4GB，处理器为Interl(R)Core(TM)i5-2430MCPU@2.40GHz2.40GHz、操作箱体为64位Window10的计算机上通过Python2.7+Anaconda6.0编程实现了ELM模型与本专利技术的集成ELM模型。S1：获取待分析通信网络性能故障的特征参数数据。为了获取待分析通信网络性能故障的特征参数数据，在这里我们使用OPNET进行仿真，收集的相关性能故障的特征参数的仿真数据，特征参数包括丢包率、时延、误码率，将仿真数据封装为四维变量(LABEL,TD,PLR,BER)，其中LABEL为标签，三类致因TD，PLR，BER将作为输入变量，这里我们每种故障致因样本数据随机选取5000个，三类致因共15000个样本。将获取的样本随机分离为训练集与测试集，训练集占75％，验证集占25％。这里我们用Python平台sklearn.cross_valiat本文档来自技高网...

【技术保护点】
1.一种通信网络性能故障致因与特征参数关联关系分析方法，其特征在于：所述方法包括：S1：获取待分析通信网络性能故障的特征参数数据；S2：采用预先建立的超限学习机通信网络性能故障致因分析模型，对待分析的通信网络性能故障的特征参数进行处理，从而分析出此特征参数对应的通信网络性能故障致因；其中，所述的超限学习机通信网络性能故障致因分析模型是基于异质隐层节点的超限学习机模型训练而成的。

【技术特征摘要】
1.一种通信网络性能故障致因与特征参数关联关系分析方法，其特征在于：所述方法包括：S1：获取待分析通信网络性能故障的特征参数数据；S2：采用预先建立的超限学习机通信网络性能故障致因分析模型，对待分析的通信网络性能故障的特征参数进行处理，从而分析出此特征参数对应的通信网络性能故障致因；其中，所述的超限学习机通信网络性能故障致因分析模型是基于异质隐层节点的超限学习机模型训练而成的。2.根据权利要求1所述的一种通信网络性能故障致因与特征参数关联关系分析方法，其特征在于：所述的基于异质隐层节点的超限学习机模型训练，过程具体如下：S21：利用网络仿真软件生成异质隐层节点的超限学习机模型的训练样本,或使用实际测量得到的数据作为训练样本；S22：采用异质隐层节点的超限学习机模型，对所述训练样本进行训练，得到所述的超限学习机通信网络性能故障致因分析模型。3.根据权利要求2所述的一种通信网络性能故障致因与特征参数关联关系分析方法，其特征在于：其中，步骤S21和S22中异质隐层节点的超限学习机模型采用的激活函数为：其中为sigmoid激活函数，为高斯径向基激活函数，μ是高斯径向基激活函数的中心，σ为高斯径向基激活函数的宽度，a和b为超限学习机训练后得到的参数为常数，i和j分别表示隐层节点的...

【专利技术属性】
技术研发人员：黄宁，范浩，温国谊，郑小禄，
申请(专利权)人：北京航空航天大学，
类型：发明
国别省市：北京,11