[发明专利]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

说明书

本发明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。

技术领域

本发明属于通信网络故障诊断技术领域，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。

背景技术

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(Extreme Learning Machine)(参考文献[1]：Huang G B,Wang D H,Lan Y.Extreme learning machines:a survey[J].International Journal of Machine Learning&Cybernetics.2011,2(2):107-122.译：参考文献[1]：黄广斌，王殿辉，Lan Y.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。

发明内容

本发明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，本发明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。

本发明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。