一种通信网络故障诊断方法、系统、电子设备及存储介质技术方案

本发明专利技术涉及一种通信网络故障诊断方法、系统、电子设备及存储介质，涉及电子装备通信领域，方法包括：获取历史电子装备通信网络状态数据；利用改进K

【技术实现步骤摘要】
一种通信网络故障诊断方法、系统、电子设备及存储介质


[0001]本专利技术涉及电子装备通信领域，特别是涉及一种通信网络故障诊断方法、系统、电子设备及存储介质。

技术介绍

[0002]电子装备通信网络组成复杂，各组成部分之间信息耦合关系紧密，对电子装备通信网络进行故障诊断与预测，涉及到计算机技术、信息处理技术、通信技术等诸多技术，在对电子装备通信网络进行故障诊断与预测时，由于单个维护人员知识有限、问题求解方式单一，不能满足多故障源故障、关联性故障以及全局性故障的诊断要求，在实际装备维护过程中经常出现维护人员专业不对口，无法完成维护任务的情况，甚至需要多名维护专家共同合作才能准确完成故障诊断和维护。

技术实现思路

[0003]本专利技术的目的是提供一种通信网络故障诊断方法、系统、电子设备及存储介质，解决了电子装备通信网络在保障过程中故障定位难、预测难的问题。
[0004]为实现上述目的，本专利技术提供了如下方案：
[0005]一种通信网络故障诊断方法，包括：
[0006]获取历史电子装备通信网络状态数据；
[0007]利用改进K
‑
均值聚类算法对所述历史电子装备通信网络状态数据进行聚类，得到聚类结果；所述改进K
‑
均值聚类算法的聚类准则函数为误差平方和准则函数；所述改进K
‑
均值聚类算法利用密度划分算法确定初始聚类中心；所述改进K
‑
均值聚类算法利用k值
‑
SSE折线图像算法确定聚类数目；
[0008]利用拟合误差法确定Elman神经网络的结构，将所述聚类结果作为训练集对所述Elman神经网络进行训练，得到故障预测模型；
[0009]将实时监测电子装备通信网络状态数据作为测试集利用所述故障预测模型进行预测，得到故障诊断模型。
[0010]可选地，所述改进K
‑
均值聚类算法利用密度划分算法确定初始聚类中心，具体包括：
[0011]利用密度阈值系数和欧氏距离计算不同聚类数目取值下的密度阈值；
[0012]根据所述历史电子装备通信网络状态数据和所述密度阈值确定初始聚类中心。
[0013]可选地，所述改进K
‑
均值聚类算法利用k值
‑
SSE折线图像算法确定聚类数目，具体包括：
[0014]根据所述历史电子装备通信网络状态数据计算不同聚类数目下的误差平方和；
[0015]根据所述聚类数目和所述误差平方和确定k值
‑
SSE折线图；
[0016]根据所述k值
‑
SSE折线图的拐点确定聚类数目。
[0017]可选地，所述Elman神经网络的激活函数为双曲正切S形函数，所述双曲正切S形函
数的表达式为：
[0018][0019]其中，f(σ)为双曲正切S形函数，σ为Elman神经网络输入层输出。
[0020]本专利技术还提供一种通信网络故障诊断系统，包括：
[0021]获取模块，用于获取历史电子装备通信网络状态数据；
[0022]聚类模块，用于利用改进K
‑
均值聚类算法对所述历史电子装备通信网络状态数据进行聚类，得到聚类结果；所述改进K
‑
均值聚类算法的聚类准则函数为误差平方和准则函数；所述改进K
‑
均值聚类算法利用密度划分算法确定初始聚类中心；所述改进K
‑
均值聚类算法利用k值
‑
SSE折线图像算法确定聚类数目；
[0023]训练模块，用于利用拟合误差法确定Elman神经网络的结构，将所述聚类结果作为训练集对所述Elman神经网络进行训练，得到故障预测模型；
[0024]预测模块，用于将实时监测电子装备通信网络状态数据作为测试集利用所述故障预测模型进行预测，得到故障诊断模型。
[0025]可选地，所述聚类模块中的初始聚类中心确定子模块，具体包括：
[0026]密度阈值确定单元，用于利用密度阈值系数和欧氏距离计算不同聚类数目取值下的密度阈值；
[0027]初始聚类中心确定单元，用于根据所述历史电子装备通信网络状态数据和所述密度阈值确定初始聚类中心。
[0028]可选地，所述聚类模块中的聚类数目确定字模块，具体包括：
[0029]误差平方和确定单元，用于根据所述历史电子装备通信网络状态数据计算不同聚类数目下的误差平方和；
[0030]k值
‑
SSE折线图确定单元，用于根据所述聚类数目和所述误差平方和确定k值
‑
SSE折线图；
[0031]聚类数目确定单元，用于根据所述k值
‑
SSE折线图的拐点确定聚类数目。
[0032]可选地，所述Elman神经网络的激活函数为双曲正切S形函数，所述双曲正切S形函数的表达式为：
[0033][0034]其中，f(σ)为双曲正切S形函数，σ为Elman神经网络输入层输出。
[0035]本专利技术还提供一种电子设备，包括：
[0036]一个或多个处理器；
[0037]存储装置，其上存储有一个或多个程序；
[0038]当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如上述中任意一项所述的方法。
[0039]本专利技术还提供一种计算机存储介质，其上存储有计算机程序，其中，所述计算机程序被处理器执行时实现如上述任意一项所述的方法。
[0040]根据本专利技术提供的具体实施例，本专利技术公开了以下技术效果：
[0041]本专利技术获取历史电子装备通信网络状态数据；利用改进K
‑
均值聚类算法对所述历
史电子装备通信网络状态数据进行聚类，得到聚类结果；所述改进K
‑
均值聚类算法的聚类准则函数为误差平方和准则函数；所述改进K
‑
均值聚类算法利用密度划分算法确定初始聚类中心；所述改进K
‑
均值聚类算法利用k值
‑
SSE折线图像算法确定聚类数目；利用拟合误差法确定Elman神经网络的结构，将所述聚类结果作为训练集对所述Elman神经网络进行训练，得到故障预测模型；将实时监测电子装备通信网络状态数据作为测试集利用所述故障预测模型进行预测，得到故障诊断模型。本专利技术运用聚类算法对通信网络状态数据进行分析，基于改进K
‑
均值聚类算法对传统K均值算法进行优化，完成电子装备通信网络故障诊断，运用Elman神经网络算法对电子装备通信网络进行故障预测，针对Elman神经网络网络结构选择难的问题，通过拟合误差分析的方法确定了Elman神经网络隐藏层的结构，从而解决了电子装备通信网络在保障过程中故障定位难、预测难的问题。
附图说明
[0042]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种通信网络故障诊断方法，其特征在于，包括：获取历史电子装备通信网络状态数据；利用改进K
‑
均值聚类算法对所述历史电子装备通信网络状态数据进行聚类，得到聚类结果；所述改进K
‑
均值聚类算法的聚类准则函数为误差平方和准则函数；所述改进K
‑
均值聚类算法利用密度划分算法确定初始聚类中心；所述改进K
‑
均值聚类算法利用k值
‑
SSE折线图像算法确定聚类数目；利用拟合误差法确定Elman神经网络的结构，将所述聚类结果作为训练集对所述Elman神经网络进行训练，得到故障预测模型；将实时监测电子装备通信网络状态数据作为测试集利用所述故障预测模型进行预测，得到故障诊断模型。2.根据权利要求1所述的通信网络故障诊断方法，其特征在于，所述改进K
‑
均值聚类算法利用密度划分算法确定初始聚类中心，具体包括：利用密度阈值系数和欧氏距离计算不同聚类数目取值下的密度阈值；根据所述历史电子装备通信网络状态数据和所述密度阈值确定初始聚类中心。3.根据权利要求1所述的通信网络故障诊断方法，其特征在于，所述改进K
‑
均值聚类算法利用k值
‑
SSE折线图像算法确定聚类数目，具体包括：根据所述历史电子装备通信网络状态数据计算不同聚类数目下的误差平方和；根据所述聚类数目和所述误差平方和确定k值
‑
SSE折线图；根据所述k值
‑
SSE折线图的拐点确定聚类数目。4.根据权利要求1所述的通信网络故障诊断方法，其特征在于，所述Elman神经网络的激活函数为双曲正切S形函数，所述双曲正切S形函数的表达式为：其中，fσ为双曲正切S形函数，σ为Elman神经网络输入层输出。5.一种通信网络故障诊断系统，其特征在于，包括：获取模块，用于获取历史电子装备通信网络状态数据；聚类模块，用于利用改进K
‑
均值聚类算法对所述历史电子装备通信网络状态数据进行聚类，得到聚类结果；所述...

【专利技术属性】
技术研发人员：尹文龙，郭宝锋，崔佩璋，李召瑞，孙慧贤，李晓辉，周永学，郄龙，王文娟，陶杰，
申请(专利权)人：中国人民解放军陆军工程大学，
类型：发明
国别省市：