【技术实现步骤摘要】
物联网故障诊断方法、模型的训练方法及相关装置
[0001]本专利技术实施例涉及人工智能
，具体涉及一种基于前馈神经网络的物联网故障诊断方法、模型训练方法、物联网故障诊断装置、设备及计算机可读存储介质。
技术介绍
[0002]目前，随着5G的发展，物联网业务呈现爆发式增长，万物物联已成为必然趋势。物联网投诉的故障检测、精准定位的高效与否，是物联网业务得以快速发展和推广的关键所在。
[0003]然而，目前的物联网诊断存在以下问题：
[0004]1、海量投诉：物联网业务发展迅速，投诉量高速增长，响应速度慢；
[0005]2、效率低：物联网组网结构，排查故障需要跨多专业，运维效率低；
[0006]3、门槛高：物联网售后定界人员要求具备高级技能要求。
[0007]现有常用依赖核心网网元侧数据进行故障诊断和SVM支持向量机故障诊断方法，前者依赖于核心网侧单故障数据，对运维人员专业知识要求高；后者SVM支持向量机算法对核函数选取不敏感，适用于小样本集的分类，对于大样本支持向量过多可能会产生过拟...
【技术保护点】
【技术特征摘要】 【专利技术属性】
1.一种基于前馈神经网络的物联网故障诊断模型的训练方法，其特征在于，所述方法包括：采集历史物联网故障特征样本数据及对应的故障类别数据，预处理得到样本集，并将所述样本集划分为训练样本集和测试样本集，其中，所述样本集包括物联网故障样本特征数据和对应的故障类别标签；将所述训练样本集输入预设的前馈神经网络进行预训练，得到训练后的前馈神经网络；计算所述训练后的前馈神经网络的预测误差；根据所述预测误差确定训练后的前馈神经网络的当前准确率；若所述当前准确率未达到所述准确率阈值，则采用梯度下降法对所述训练后的前馈神经网络进行优化，直至优化后的准确率达到所述准确率阈值，得到优化后的前馈神经网络作为初始物联网故障诊断模型；若所述当前准确率达到预设准确率阈值，则将所述训练后的前馈神经网络作为初始物联网故障诊断模型；通过所述测试样本集对初始物联网故障诊断模型进行验证修正，以得到目标物联网故障诊断模型。2.根据权利要求1所述的方法，其特征在于，采集历史物联网故障特征样本数据及对应的故障类别数据，预处理得到样本集，所述样本集包括物联网故障样本特征数据和对应的故障类别标签，进一步包括：对样本集中的故障类别所对应的样本进行数据增强，以使各个故障类别的对应的样本数量保持在同一数量级：若第一故障类别的样本数量大于平均样本数量，则随机删除所述第一故障类别对应的样本数量；若第二故障类别的样本数量小于平均样本数量，则利用预设的数据变换规则增加所述第二故障类别的样本数量；其中，预设的数据变换规则为：将与所述第二故障类别相关性强的样本数据保持不变，将与所述第二故障类别相关性中的样本数据以预设概率随机生成其它数值，将与所述第二故障类别相关性弱的样本数据完全随机数值，以形成新的样本数据。3.根据权利要求1所述的方法，其特征在于，将所述训练样本集输入预设的前馈神经网络进行训练，得到预测误差，进一步包括：所述预设的前馈神经网络包括输入层、2层隐藏层，以及输出层，每层隐藏层包括256个神经元；通过监督式的训练方法逐层对所述预设的神经网络进行训练，得到训练后的神经网络。4.根据权利要求1所述的方法，其特征在于，计算所述训练后的前馈神经网络的预测误差，进一步包括：获取所述训练后的前馈神经网络中各故障类别对应的连接权值；结合所述连接权值，采用多分类的softmax激活函数计算各训练样本对应的故障类别概率矩阵；
结合所述故障类别概率矩阵，根据交叉熵误差损失函数计算各训练样本对应的预测的故障类别与实际故障类别的预测误差。5.根据权利要求4所述的方法，其特征在于，通过下述公式计算训练后的前馈神经网络的预测误差：计算故障类别对应的训练样本输入训练后的前馈神经网络后输出的概率矩阵σ(Z)
j
，所述j表示故障类别：Z
j
＝x
T
w
j
根据所述概率矩阵σ(Z)
j
得到故障类别j的概率t
j
：t
j
＝σ(Z)
j
根据所述故障类别j的概率t
j
技术研发人员：陈昶，章栋炯，沈敏儿，
申请(专利权)人：中国移动通信集团有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。