本发明专利技术公开了一种基于小波神经网络的网络故障诊断方法，步骤如下：S1，获取故障和正常状态下的网络数据；S2，对网络故障数据进行数值化和归一化处理，并采用PCA降维算法进行数据降维；S3，创建小波神经网络模型，选用改进的灰狼优化算法，将优化得到的参数作为小波神经网络模型的参数；再将步骤S2处理后的网络故障数据作为输入，反向调整参数时增加动量因子，通过不断训练，完成网络故障诊断模型建立；S4,输入实时网络状态数据，判断网络是否出现故障；S5,输出网络故障诊断结果及故障类别。本发明专利技术引入动量因子，提高诊断模型的局部寻优能力；采用改进灰狼算法，优化故障诊断模型的初始参数，避免初始参数选取的随机性。避免初始参数选取的随机性。避免初始参数选取的随机性。
【技术实现步骤摘要】
基于小波神经网络的网络故障诊断方法、设备及存储介质
[0001]本专利技术涉及网络故障诊断方法、设备及存储介质，尤其涉及一种基于小波神经网络的网络故障诊断方法、设备及存储介质。
技术介绍
[0002]在网络系统运行过程中，故障是一个非常值得关注的问题，即使当一个小的故障发生时，也极有可能影响整个网络系统的健康运行，进一步可能会导致整个系统的瘫痪，造成经济和财产的损失。因此，通过有效的故障检测和诊断技术快速精确地发现网络系统中的各种异常，定位故障，恢复故障，对维护网络系统的健康运行，具有重要的意义。
[0003]目前，故障诊断技术主要分为定性分析方法与定量分析方法。其中，定性分析方法又包括符号有向图、故障树、专家系统等。然而在复杂的网络系统中，这类方法存在诊断准确率不高、推理速度慢、效率低下等问题。定量分析方法分为基于解析模型的方法和基于数据驱动的方法。基于解析模型的故障诊断方法主要是利用系统精确的数学模型和可观测输入输出信号来反映系统期望行为，并与实际运行模式进行对比，从而实现故障诊断。然而实际的网络故障诊断中，很难通过网络系统建立精确地数学模型，这就导致解析模型方法的应用范围非常受限。基于数据驱动的故障诊断技术主要通过大量的网络历史数据，使用人工智能技术，提取隐含表示系统变量相关性的基础知识，通过检测所获得的基础知识与在线监测数据中提取的实时系统特征的一致性来实现网络故障诊断。这种方法不需要建立精确地解析模型，而是完全从系统历史数据出发，进行故障诊断，因此在故障诊断领域得到了广泛的应用。
[0004]在基于数据驱动的故障诊断技术中，神经网络是目前最受欢迎的网络故障诊断方法之一。小波神经网络（Wavelet Neural Network，WNN）是神经网络的一种，由BP神经网络改进而来，通过小波函数替换神经网络的隐藏层激活函数，加快了函数收敛。WNN兼具BP神经网络强大的自学习能力、泛化能力、非线性映射能力以及小波函数良好的时频特性，在处理复杂非线性故障诊断问题中取得了较好的效果。然而传统的小波神经网络方法容易陷入局部最优，这就导致网络故障诊断模型在诊断准确率方面效果达不到最优。此外，WNN模型的初始参数选取具有随机性，而选取不同的初始参数可能会导致模型训练陷入不同的局部最优，这就会导致网络故障的诊断结果呈现波动，在诊断稳定性方面欠佳。
技术实现思路
[0005]专利技术目的：本专利技术的目的是提供一种能避免网络故障诊断模型初始参数选取的随机性，提高诊断准确性与稳定性的基于小波神经网络的网络故障诊断方法、设备及存储介质。
[0006]技术方案：本专利技术的网络故障诊断方法，包括步骤如下：S1，获取故障状态和正常状态下的网络数据；S2，对网络故障数据进行数值化和归一化处理，并采用PCA降维算法进行数据降
维；S3，创建小波神经网络模型，选用改进的灰狼优化算法，将优化得到的参数作为小波神经网络模型的参数；再将步骤S2处理后的网络故障数据作为输入，反向调整参数时增加动量因子，通过不断训练，完成网络故障诊断模型建立；S4,输入实时网络状态数据，判断网络是否出现故障；S5,输出网络故障诊断结果及具体故障类别。
[0007]进一步，所述步骤S3中，小波神经网络模型的建立过程如下：设定有P组训练数据，N个输入层神经元数，M个输出层神经元数，则第p个样本输入为；第k个隐含层的输出为，其中， 为morlet小波函数，为输入层和第k个隐藏层之间的连接权重， 为小波的尺度因子，为小波的位移因子；输出层的输出表达式为：其中， 为输出层和隐藏层之间的连接权重， p、n、m为整数， ；小波神经网络输出的标准误差函数为：其中， 为第p个样本输出， 为第p个样本期望输出。
[0008]进一步，所述步骤S3中，改进的灰狼优化算法实现过程如下：S31,根据选择的神经网络模型，确定需要优化的参数数量Q满足条件如下：其中， 是神经网络输入层的神经元个数， 是神经网络隐含层的神经元个数， 是神经网络输出层的神经元个数；S32，确定适应度计算函数：其中，P为输入样本个数，obse表示实际样本类别值，pred表示代入狼群位置后小波神经网络的计算值；S33，依据每个灰狼个体的适应度值来确定狼群等级 α、β、δ和ω，将狼群中根据适应度值由小到大进行排序，第一个最小的灰狼个体作为头狼α，第二个体作为头狼β，第三个体作为头狼δ，其余的均为普通狼ω；对于每个灰狼个体，根据α、β、δ狼的位置更新自己的位置，并将新位置的适应度值与α、β、δ的位置适应度值比较，若新位置的适应度值更小，则保留新位置及其适应度值；不断迭代更新个体，达到迭代次数后，停止更新，此时，头狼α的位置，作为优化的小波神经网络权值、尺度因子、位移因子；实现过程如下：S331，灰狼个体将α、β、δ狼的位置假想为猎物的位置，并分别根据α、β、δ狼的位置
更新自己的位置，该更新过程的表达式如下：其中， 分别为第 m 次迭代后α、β、δ狼的位置，是第m代灰狼的位置， 是α、β、δ狼与灰狼之间的距离，为灰狼ω分别根据头狼α、β、δ的位置更新的位置；C1、C2、C3、A1、A2、A3为协同系数，协同系数C和A的计算公式分别为：其中，和 为区间[0,1]的随机数，s 是随迭代次数增加从2非线性递减到0的常数， 为优化算法的最大迭代次数；S332，灰狼个体根据α、β、δ来更新自己的位置，并再次定位猎物的位置；具体表达式如下：其中， 分别为α狼、β狼、δ狼的位置， 分别为ω狼对α狼、β狼、δ狼的更新权重；灰狼位置更新公式为：其中， 为第m代灰狼的更新位置。
[0009]进一步，所述步骤S3中，增加了动量因子 后的权值修正公式为:其中，为网络训练的学习率， 分别代表第t次迭代时神经网络的。
[0010]本专利技术的网络故障诊断设备，主要包括计算模块、存储模块、输入模块、输出模块和软件模块；所述计算模块包括处理器及系统存储器，完成所述网络故障诊断模型的训练及故障诊断；所述存储模块用于存储网络故障数据及诊断过程中产生的历史故障模型，通过调用存储设备中的数据，实现网络故障诊断；此外，存储设备的规格需满足大容量数据的读写要求，保证设备在处理大规模网络故障数据时，能快速有序运转；所述输入模块用于接受实时故障数据，输出模块用于显示故障诊断结果；所述软件模块包括数据获取模块、数据预处理模块、参数优化模块、训练模块和故障诊断模块；所述数据预处理模块用于原始网络故障数据的数值化、压缩和过滤，统一数据类型，去除故障数据中存在的大量冗余信息；所述参数优化模块用于优化相关诊断模型的参数；所述训练模块用于神经网络训练，形成历史故障数据诊断模型；所述诊断模块用于实时网络故障数据的诊断，形成诊断报告。
[0011]本专利技术的网络故障诊断存储介质，用于存储程序，执行所述程序以实现所述网络故障诊断方法。
[0012]本专利技术与现有技术相比，其显著效果如下：1、本专利技术增加了数据预处理操作，针对网络故障数据海量、高维的特点，在故障诊断前，增加了数据压缩及特征降维操作，有效节约数据的存储空间，方便后续更高效的进行故障诊断本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于小波神经网络的网络故障诊断方法，其特征在于，包括步骤如下：S1，获取故障状态和正常状态下的网络数据；S2，对网络故障数据进行数值化和归一化处理，并采用PCA降维算法进行数据降维；S3，创建小波神经网络模型，选用改进的灰狼优化算法，将优化得到的参数作为小波神经网络模型的参数；再将步骤S2处理后的网络故障数据作为输入，反向调整参数时增加动量因子，通过不断训练，完成网络故障诊断模型建立；S4,输入实时网络状态数据，判断网络是否出现故障；S5,输出网络故障诊断结果及具体故障类别。2.根据权利要求1所述的基于小波神经网络的网络故障诊断方法，其特征在于，所述步骤S3中，小波神经网络模型的建立过程如下：设定有P组训练数据，N个输入层神经元数，M个输出层神经元数，则第p个样本输入为；第k个隐含层的输出为，其中， 为morlet小波函数，为输入层和第k个隐藏层之间的连接权重， 为小波的尺度因子，为小波的位移因子；输出层的输出表达式为：其中， 为输出层和隐藏层之间的连接权重， p、n、m为整数，；小波神经网络输出的标准误差函数为：其中， 为第p个样本输出， 为第p个样本期望输出。3.根据权利要求2所述的基于小波神经网络的网络故障诊断方法，其特征在于，所述步骤S3中，改进的灰狼优化算法实现过程如下：S31,根据选择的神经网络模型，确定需要优化的参数数量Q满足条件如下：其中， 是神经网络输入层的神经元个数，是神经网络隐含层的神经元个数，是神经网络输出层的神经元个数；S32，确定适应度计算函数：其中，P为输入样本个数，obse表示实际样本类别值，pred表示代入狼群位置后小波神经网络的计算值；S33，依据每个灰狼个体的适应度值来确定狼群等级 α、β、δ和ω，将狼群中根据适应度值由小到大进行排序，第一个最小的灰狼个体作为头狼α，第二个体作为头狼β，第三个体作为头狼δ，其余的均为普通狼ω；对于每个灰狼个体，根据α、β、δ狼的位置更新自己的位置，并将新位置的适应度值与α、β、δ的位置适应度值比较，若新位置的适应度值更小，则保留新
位置及其适应度值；不断迭代更新个体，达到迭代次数后，停止更新，此时，头狼α的位置，作为优化的小波神经网络权值、尺度因子、位移因子；实现过程如下：S331，灰...
【专利技术属性】
技术研发人员：潘成胜，金爱鑫，杨雯升，张艳艳，
申请(专利权)人：南京信息工程大学，
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。