基于代价敏感支持向量机的通信系统故障确定方法技术方案

本发明专利技术是一种基于代价敏感支持向量机的通信系统故障确定方法，代价敏感针对于故障的不同严重程度，将故障分为严重故障、一般故障和轻微故障，然后在代价敏感机器学习中，给不同严重程度样本不同的损失权重因子。本发明专利技术使用代价敏感支持向量机进行故障根因分析，将不同错误根因分类代价分配给属于不同严重程度的故障样本，故障严重程度越高，根因分析分类错误代价相对更大，使得算法更合理地关注于不同严重程度的故障根因分类情况，从而减少对各个严重程度故障进行根因分析的误判。使用网格搜索方法，寻找不同故障严重程度对应分类错误代价组合的最优取值，以此进一步提高无线通信系统的故障根因分析准确度。系统的故障根因分析准确度。系统的故障根因分析准确度。

【技术实现步骤摘要】
基于代价敏感支持向量机的通信系统故障确定方法


[0001]本专利技术涉及无线通信领域，具体为一种基于代价敏感支持向量机的通信系统故障根因分析方法。

技术介绍

[0002]在无线通信网络的运行维护过程中，不可避免地会出现关键性能指标(KPI,Key Performance Indicator)恶化的问题，随着网络的异构化和复杂化，技术人员需要在大量观测变量中寻找导致通信系统性能下降的原因，使得手动对网络进行故障根因分析变得难以完成。
[0003]目前针对网络故障根因分析问题，现有的方法为使用机器学习方法来解决手动对网络进行故障根因分析的困难。作为分类任务中最强大的机器学习方法之一，支持向量机成为求解根因分析问题的重要方法。在应用支持向量机于根因分析问题的方法中，很少利用代价敏感学习，使得所有样本具有相同的权重，这很明显是不合理的，因为每个故障样本对网络的损害程度是不同的。因此，在实际通信系统中，故障本身不同的严重程度信息是不可忽略的，而且可以利用该信息来提升网络故障根因分析的性能。
[0004]因此，如何高效率地寻找通信系统性能下降的原因成为亟待解决的技术问题，也是无线通信系统故障根因分析的任务。

技术实现思路

[0005]技术问题：本专利技术的目的是提供一种基于代价敏感支持向量机的通信系统故障确定方法，使用网格搜索方法，寻找不同故障严重程度对应分类错误代价组合的最优取值，以此进一步提高无线通信系统的故障根因分析准确度。
[0006]技术方案：在本专利技术的一种基于代价敏感支持向量机的通信系统故障确定方法中，代价敏感针对于故障的不同严重程度，将故障分为严重故障、一般故障和轻微故障，然后在代价敏感机器学习中，给不同严重程度样本不同的损失权重因子。本专利技术使用代价敏感支持向量机进行故障根因分析，将不同错误根因分类代价分配给属于不同严重程度的故障样本，故障严重程度越高，根因分析分类错误代价相对更大，使得算法更合理地关注于不同严重程度的故障根因分类情况，从而减少对各个严重程度故障进行根因分析的误判。
[0007]本专利技术中使用的网络关键性能指标包括信号干扰加噪声比(Signal
‑
to
‑
interference
‑
plus
‑
noise Ratios,SINR)和参考信号接收功率(Reference Signal Received Power,RSRP)。
[0008]本方法考虑网络中可能发生的以下网络故障类型：天线倾角过小(Excessive uptilt,EU)，天线倾角过大(Excessive downtilt,ED)和过度降低功率(Excessive reduced power,ERP)。
[0009]该方法具体包括如下步骤：
[0010]第一步：生成网络KPI，并进行故障严重程度判断，构建支持向量机训练集；
[0011]通过仿真生成M∈N
+
(其中N
+
为正整数集合)，组网络发生各种故障时网络内I∈N
+
个用户的RSRP和SINR，并将每组数据组成的集合定义为网络KPI向量，其中第m∈{1,2,...,M}个网络KPI向量为x
m
＝[RSRP1,SINR1,...,RSRP
i
,SINR
i
,...,RSRP
I
,SINR
I
]，i∈{1，2，...，I}，其中RSRP
i
和SINR
i
是第i个用户的RSRP和SINR；构建支持向量机的训练集时，将x
m
作为特征向量，包含2I个特征，并将第m个KPI向量对应的故障类型作为标签，组成一组训练样本；训练集总样本空间为
[0012]X＝{(x1,actual1),(x2,actual2),...,(x
m
,actual
m
),...,(x
M
,actual
M
)}，其中，
[0013]actual
m
∈{1,2,3}为第m个KPI向量对应的故障类型；分为严重故障、中等故障、轻微故障；
[0014]第二步：支持向量机的训练：
[0015]S1.根据训练序列的故障严重程度和故障类型，将训练序列分为九类，用k∈{1,2,3,4,5,6,7,8,9}进行标记，
[0016]当k＝1时，表示actual
m
＝1且为严重故障；
[0017]当k＝2时，表示actual
m
＝1且为中等故障；
[0018]当k＝3时，表示actual
m
＝1且为轻微故障；
[0019]当k＝4时，表示actual
m
＝2且为严重故障；
[0020]当k＝5时，表示actual
m
＝2且为中等故障；
[0021]当k＝6时，表示actual
m
＝2且为轻微故障；
[0022]当k＝7时，表示actual
m
＝3且为严重故障；
[0023]当k＝8时，表示actual
m
＝3且为中等故障；
[0024]当k＝9时，表示actual
m
＝3且为轻微故障；
[0025]多分类问题的基本思想就是将多分类任务拆解为若干个二分类问题求解，基于现有多种方法达到该目的，使用一对余策略，即将9个分类中的一个作为分类器的正例，其余均设置为反例；
[0026]S2.基于训练集对支持向量机进行训练；记w
k
和b
k
作为作为第k类的线性分类器和偏差系数，二分类优化问题表示如下：
[0027][0028]其中y
m
表示x
m
的标签，如果x
m
属于第k类，则y
m
＝1，否则y
m
＝
‑
1；ξ
m
＝1
‑
y
m
(w
k
·
x
m
+b
k
)表示样本x
m
到第k类边界的距离，ξ＝[ξ1，ξ2，...，ξ
N
]，V
k
是第k类软间隔惩罚参数，由十折交叉验证法确定最优值，N是总样本空间X中属于第k类的训练样本数；
[0029]根据拉格朗日乘子法和Karush
–
Kuhn
–
Tucker条件，将上述二分类优化问题转换为如下优化问题：
[0030][0031]其中a
m
，β
m
为拉格朗日乘子，α＝[α1，α2，...，α
N
]，β＝[β1，β2，...，β
N本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于代价敏感支持向量机的通信系统故障确定方法，其特征在于，该方法具体包括如下步骤：第一步：生成网络KPI，并进行故障严重程度判断，构建支持向量机训练集；通过仿真生成M∈N
+
(其中N
+
为正整数集合)组网络发生各种故障时网络内I∈N
+
个用户的RSRP和SINR，并将每组数据组成的集合定义为网络KPI向量，其中第m∈{1,2,...,M}个网络KPI向量为x
m
＝[RSRP1,SINR1,...,RSRP
i
,SINR
i
,...,RSRP
I
,SINR
I
]，i∈{1，2，...，I}，其中RSRP
i
和SINR
i
是第i个用户的RSRP和SINR；构建支持向量机的训练集时，将x
m
作为特征向量，包含2I个特征，并将第m个KPI向量对应的故障类型作为标签，组成一组训练样本；训练集总样本空间为X＝{(x1,actual1),(x2,actual2),...,(x
m
,actual
m
),...,(x
M
,actual
M
)}，其中，actual
m
∈{1,2,3}为第m个KPI向量对应的故障类型；分为严重故障、中等故障、轻微故障；第二步：支持向量机的训练：S1.根据训练序列的故障严重程度和故障类型，将训练序列分为九类，用k∈{1,2,3,4,5,6,7,8,9}进行标记，当k＝1时，表示actual
m
＝1且为严重故障；当k＝2时，表示actual
m
＝1且为中等故障；当k＝3时，表示actual
m
＝1且为轻微故障；当k＝4时，表示actual
m
＝2且为严重故障；当k＝5时，表示actual
m
＝2且为中等故障；当k＝6时，表示actual
m
＝2且为轻微故障；当k＝7时，表示actual
m
＝3且为严重故障；当k＝8时，表示actual
m
＝3且为中等故障；当k＝9时，表示actual
m
＝3且为轻微故障；多分类问题的基本思想就是将多分类任务拆解为若干个二分类问题求解，基于现有多种方法达到该目的，使用一对余策略，即将9个分类中的一个作为分类器的正例，其余均设置为反例；S2.基于训练集对支持向量机进行训练；记w
k
和b
k
作为作为第k类的线性分类器和偏差系数，二分类优化问题表示如下：其中y
m
表示x
m
的标签，如果x
m
属于第k类，则y
m
＝1，否则y
m
＝
‑
1；ξ
m
＝1
‑
y
m
(w
k
·
x
m
+b
k
)表示样本x
m
到第k类边界的距离，ξ＝[ξ1，ξ2，...，ξ
N
]，V
k
是第k类软间隔惩罚参数，由十折交叉验证法确定最优值，N是总样本空间X中属于第k类的训练样本数；根据拉格朗日乘子法和Karush
–
Kuhn
–
Tucker条件，将上述二分类优化问题转换为如下优化问题：
其中α
m
，β
m
为拉格朗日乘子，β＝[β1，β2，
…
，β
N
]；为求解将L(w
k
，b
k
，ξ，α，β)分别对w
k
，b
k
，ξ求偏导并令其为0，可得求：将式(3)代入到式(2)中，化简为关于α
m
的单一变量优化问题，由现有Sequential minimal optimization解法求解α
m*
；将所求得α
m*
代入式(3)求得w
k*
和b
k*
：其中，x
t
为在训练集总样本空间X中存在的一个使得α
t*
>0的样本，y
t
为x
t
所对应的标签；第三步：代价敏感支持向量机的代价参数寻优：在代价敏感支持向量机中，定义代价矩阵Cost，定义严重故障的错误代价为中等故障错误代价为轻微故障错误代价为轻微故障错误代价为为实数集，由于故障严重程度对代价的影响，可知严重故障的错误代价大于中等故障错误代价，同样，中等故障错误代价大于轻微故障错误代价，即c1≥c2≥c3，因此引入如下代价矩阵：
其中Cost(k,j)表示第k类分类为第j类的代价，k,j∈{1,2,3,4,5,6,7,8,9}，c1,c2,c3由网格搜索方法根据系统性能选择最优取值组合；在此过程中，F分数被用作评估分类问题性能的指标，定义为：为：为：其中n
actual,predicted
表示代价敏感支持向量机将actual类判定到predicted类的样本数；第四步：代价敏感支持向量机的分类判决步骤4.1，收集待根因分析网络KPI；x
new
＝[RSRP
1,new
,...,RSRP
i,new
,...,RSRP
I,new
,SINR
1,new
,...,SINR
i,new
,...,SINR
I,new
],i∈{1，2，...，I}；其中RSRP
i,new
和SINR
i,new
是待根因分析网络中第i个用户的RSRP和SINR；步骤4.2，将x
new
输入训练好的支持向量机，得到输出其中P(predictedclass＝j|x
new
)表示当对x
new
进行分类判断时，判断为第j类的概率，由训练好的支持向量机输出值w
j
×
x
new
+b
j
映射为概率值得到；步骤4.3，进行根因分析判决，当且仅当：分类器将判断为...

【专利技术属性】
技术研发人员：潘志文，王琦，刘楠，尤肖虎，
申请(专利权)人：网络通信与安全紫金山实验室，
类型：发明
国别省市：