[发明专利]一种基于进化加权宽度学习系统提高自组织蜂窝网络故障诊断精确率的方法

权利要求书

1.一种基于进化加权宽度学习系统提高自组织蜂窝网络故障诊断精确率的方法，其特征在于，包括：

S1:构建加权宽度学习系统；

S2:构建加权宽度学习系统的参数优化模型，其中所述参数优化模型采用改进的差分进化算法，以分类精度为适应度函数，通过迭代得到最优参数；

S3:将得到的最优参数给到所述加权宽度学习系统中，构建进化的加权宽度学习系统模型；

S4:依据进化的加权宽度学习系统模型求解出分类精度，应用分类精度来判断所述进化的加权宽度学习系统是否可以诊断出自组织蜂窝网络故障；

所述S1构建加权宽度学习系统的方法具体包括：

S11:构建特征节点，其计算公式如下：

其中，Z_i表示第i个特征节点组，g表示激励函数，和表示第i个特征节点组的随机权重和偏移值，n表示特征节点的组数，X表示训练数据；

将所述n个特征节点组收集到一起得到：

Zⁿ＝[Z₁，Z₂，...，Z_n]；

S12:构建增强节点，其计算公式如下：

其中，H_j表示第j个增强节点，θ表示激励函数，和表示第j个增强节点的随机权重和偏移值，m表示增强节点的个数；

将m个增强节点收集到一起得到：

H^m＝[H₁，H₂，...，H_m]；

S13:将所述特征节点组和增强节点结合到一起得到：

A＝[Zⁿ|H^m]

相应地，宽度学习系统可以形式化表示为：

Y＝AWⁿ

其中，Y表示输入数据集的真实标签，Wⁿ表示输出权重；

S14:将样本数低于平均数的类视为少数类，样本数高于平均数的类视为多数类，为不同的类分配不同的权重值，为多数类分配较小的权重值，少数类分配较大的权重值，其加权方案设计如下：

其中，w_ii 是样本x_i的权重值，x_i表示数据集中第i个样本，|d_j|表示属于类d_j(j＝1，2，…N)的样本数，其中N是类的个数；v_i是x_i的虚拟数；

S15:通过M＝diag{w_ii }得到对角权重矩阵M，在宽度学习系统中，采用岭回归用于计算其输出权重，同时把加权方案融合到岭回归方程中，那么对角权重矩阵M可以重新表示为：

其中，C是正则化系数，||.||_F是矩阵的Frobenius范数；

将上式中Wⁿ的导数设置为零，并求解方程得出：

Wⁿ＝(CI+A^TM²A)^-1A^TM²Y

其中，I为单位矩阵，A^T为矩阵A的转置；求解出Wⁿ为加权宽度学习系统训练得到的模型；

所述S2中最优参数包括稀疏正则化参数、对于增强节点的收缩参数以及稀疏自动编码器的收缩参数；

所述改进的差分进化算法，具体的改进为：

针对差分进化算法中全局最优个体的精英策略，生成的精英个体根据下式计算得出：

g′_*(t)＝g_*(t)+δ·R(t)

其中，g_*(t) 表示t代的全局最优个体，δ为0和1之间的随机数，R(t)表示t代的移动半径；

所述R(t)的计算过程如下：

U和L分别是搜索空间的上限和下限，γ是控制半径变小的缩减因子，ν是控制半径变大的放大因子；其中t＝1时，半径设置为搜索空间的直径；参数a反映了进化趋势，计算如下：

其中，f_*(t) 和f_*(t-1) 分别是第t代和t-1代全局最优个体的适应值，∈用于避免分母为零，当f_*(t) ＝f_*(t-1) ，即a＝1，表示在t代时找不到更好的解决方案，搜索范围缩小；当f_*(t) 和f_*(t-1)不相等时，表示在t代时会找到一个更好的解决方案，搜索空间有很大的潜力，此时增加搜索半径。

2.根据权利要求1所述的一种基于进化加权宽度学习系统提高自组织蜂窝网络故障诊断精确率的方法，其特征在于，所述v_i通过以下步骤获得：

S141：按升序排序每个类的样本；

S142：按降序排列每个类的样本；

S143：用每个类别按升序的样本替换按照降序的样本。