[发明专利]一种基于模糊神经的MVB网络故障诊断方法

权利要求书

1.一种基于模糊神经的MVB网络故障诊断方法，其特征在于：本发明包括MVB通信故障模型及网络故障诊断算法两部分。首先根据MVB主要故障种类的不同，通过非线性方程的方式建立故障诊断模型，然后通过减法聚类对输入空间非线性划分找到聚类中心，根据聚类中心个数来确定模糊规则数和输入变量的隶属度函数的数目及隶属度函数的位置，最后应用T-S模糊神经网络诊断MVB网络故障类别，从而达到MVB网络故障诊断的目的。

2.根据权利要求1所述的一种基于模糊神经的MVB网络故障诊断方法，其特征在于：所述的MVB故障主要分为4种：线路故障；设备故障；中继器故障；非物理故障，再加上正常工况共5种待诊断的故障模式。其故障诊断模型可用下列非线性方程表示：

y＝f(BER_i,N_i,ΔTP_i,PLR_i,ΔA_i,Δt_i)。

3.根据权利要求1所述的一种基于模糊神经的MVB网络故障诊断方法，其特征在于：所述的减法聚类首先需要构建数据样本点的数据集矩阵：

。

4.根据权利要求3所述的一种基于模糊神经的MVB网络故障诊断方法，其特征在于：所述的减法聚类根据所建立的数据集矩阵的求解步骤是：

1)首先假定每一个数据点都是潜在的聚类中心，按照欧式距离指标，计算样本点X_i＝{x_i1,x_i2,...,x_i6}的密度指标；

选取密度指标最高的样本点x_c1为第一个聚类中心，其中，r_a为聚类半径，定义了该样本点的一个邻域，半径以外的样本对该点的密度指标贡献甚微。

2)假定x_cm为第m次选出的聚类中心，密度指标为D_cm，修正除此样本点外的其他样本点的密集指标。

选出密度指标最高的数据点作为新的聚类中心。由于靠近第m个聚类中心的样本点成为聚类中心的可能性不大，因此，常数r_b一般取1.25～1.5倍的r_a，以此定义出一个密度指标显著减小的领域。

3)重复上述修正过程，判断下式是否成立。

如果上式不成立，则转到步骤2)；如果成立则退出。其中，预先给定参数0＜δ＜1，决定最终产生的初始聚类中心数目，δ越小，产生的聚类数越多；反之则聚类数越少。r_a，r_b越大，产生的类数就越少，反之，则产生的类数就越多。

5.根据权利要求1所述的一种基于模糊神经的MVB网络故障诊断方法，其特征在于：所述的T-S模糊神经网络具有较强的数据处理能力和自学习能力，由前件网络和后件网络组成，T-S模糊神经网络系统用“if-then”规则形式来定义，其第i条模糊推理规则R_i为。

1)在前件网络中，隶属度函数选用高斯函数类型，适用度计算选择相乘运算原则：前件网络的第一层为输入层，与输入向量x_j连接，输入节点与输入向量的维数相同，网络输入量x为：

x＝[x₁,x₂,x₃,x₄,x₅,x₆]

前件网络的第二层为模糊化层，采用隶属度函数对各输入值进行模糊化，得到各输入对模糊子集的隶属度由于高斯型隶属度函数在处理非二值输入以及模糊集输入空间映射方面的优势，因此，采用高斯型的激活函数作为隶属度函数：

前件网络的第三层为规则层，将各隶属度进行模糊计算，采用模糊连乘求得规则层各节点的输出w_i为：

前件网络的第四层为去模糊化层，采用权值平均判别法进行归一化计算求得各输出节点去模糊化过程表示为：

2)后件网络的第一层是输入层，它的作用是将输入变量和常数项传递到下一层，其第0个节点x₀的输入值设置为常数项1，为模糊规则后件提供常数项，其余输入和前件网络的输入层输入一样。

后件网络的第二层为中间层，根据模糊规则计算中间层节点输出y_j为：

后件网络的第三层为输出层，计算前件网络和后件网络的整个系统的输出y，即前件网络的输出用作后件网络中间层和输出层之间的连接权值：

。