CN104835103A - 基于神经网络和模糊综合评价的移动网络健康评价方法 - Google Patents

Abstract

本发明涉及移动网络健康评价方法，基于神经网络和模糊综合评价的移动网络健康评价方法，包括以下步骤：1、建立评价体系，提取告警系统中的历史告警信息，结合移动专家意见建立告警健康度评价标准；2、建立BP神经网络，根据告警信息分类特点确定BP神经网络的结构；3、训练BP神经网络，在训练过程中根据网络预测误差率对神经网络训练数据数量、动量学习率进行调整；4、测试BP神经网络，进行健康度评价，5、反馈与自学习，对于使用过程中指标的调整及专家的意见，及时反馈到学习库中进行自学习；6、使用模糊综合评价法确定出现问题时段健康值较差基站；本发明操作简单，评价结果准确，能够及时将指标更新及健康状况评价结果专家意见反馈引入到评价方法中，进行自我修正。

Description

基于神经网络和模糊综合评价的移动网络健康评价方法

技术领域

本发明涉及移动网络健康评价方法，更具体地说，涉及基于神经网络和模糊综合评价的移动网络健康评价方法。

背景技术

移动网络健康状况指的是移动网络系统整体运行的良好程度。移动网络每天产生海量告警，对这些数据进行全面分析和深入挖掘，对于促进决策的科学化、规范化以及提高网络运营质量都有重要意义。在移动网络故障管理领域中，准确、快速、灵活处理告警是一个挑战，人们对于移动的健康状况评价有多种评价方法。

现有的移动网络健康状况评价方法主要有模糊综合评价法、主成分分析法、SVM法、层次分析法等。模糊综合评价法是根据模糊数学中的隶属度理论把系统定性评价转化为系统定量评价方法，以对评价事物进行综合性评判。但模糊综合评价法计算复杂，对指标权重矢量的确定主观性较强；当指标集U较大，即指标集个数凡较大时，在权矢量和为1的条件约束下，相对隶属度权系数往往偏小，权矢量与模糊矩阵R不匹配，结果会出现超模糊现象，分辨率很差，无法区分谁的隶属度更高，甚至造成评判失败。层次分析法是将与决策总是有关的元素分解成目标、准则、方案等层次，在此基础之上进行定性和定量分析的决策方法，但存在定量数据较少，定性成分多，不易令人信服、指标过多时数据统计量大，且权重难以确定、特征值和特征向量的精确求法比较复杂等问题。这些常用方法普遍存在指标体系复杂，不能够灵活应对评价体系及指标的变化、不能够及时反馈专家意见等问题。因此，掌握现有系统的特点，对系统健康状况运行情况进行数据量化，客观评价基站系统运行状态，就显得尤为重要。

发明内容

为了克服现有技术中存在的不足，本发明目的是提供一种基于神经网络和模糊综合评价的移动网络健康评价方法。该方法能够进行移动告警系统健康状况评价分级，不断进行自主学习，迭代更新，具有较快的运行速度，克服了现有移动告警评价方法指标体系复杂、不灵活，不能根据业务需求及时进行系统调整及引入专家评价意见。

为了实现上述发明目的，解决现有技术中所存在的问题，本发明采取的技术方案是：一种基于神经网络和模糊综合评价的移动网络健康评价方法，包括以下步骤：

步骤1、建立评价体系：提取告警系统中的历史告警信息，结合移动专家意见建立告警健康度评价标准，具体包括以下子步骤:

子步骤(a)、将移动历史库中的历史告警信息按告警级别、告警分类、告警发生模块指标分为6类，并对近半年内每个月的6类告警数量以天为单位分别进行统计，并将告警统计数量存入数据库中；

子步骤(b)、从每类告警数量中筛选出告警数量最低值、告警数量最高值作为优秀及不健康的打分阈值，并结合移动专家意见将告警数量在最低值和最高值之间的告警数量打分为健康、良好、中等，根据告警数量的大小并结合历史数据及专家评价，将告警指标分为优秀、健康、良好、中等、不健康五级标准；

子步骤(c)、根据建立的告警指标，按照正态分布方法，将以天为单位的告警数据分为优秀、健康、良好、中等、不健康5类健康等级，每类健康等级产生50组随机序列，再将5类健康等级250组不同健康度的随机序列顺序随机打乱；

子步骤(d)、运用公式(1)最大最小法将数据进行归一化，

x_k＝(x_k-x_min)/(x_max-x_min)         (1)

式中，x_min为数据序列中的最小数，x_max为数据序列中的最大数,x_k为归一化的数据；

步骤2、建立BP神经网络：根据告警信息分类特点确定BP神经网络的结构，初始化BP神经网络的权值和阈值参数，具体包括以下子步骤：

子步骤(a)、网络初始化，根据输入、输出序列(X,Y)确定输入层节点数、隐含层节点数、输出层节点数，初始化链接权值、隐含层阈值、输出层阈值，给定学习率和动量学习率；

子步骤(b)、按公式(2)确定隐含层最佳节点数，

$\left.\begin{array}{c}1<n=1\\ 1<\sqrt{(m-n)}+a\\ 1={\log }_2\mathrm{\&pi;}\end{array}\right\}---\left(2\right)$

式中，n为输入层节点数，l为隐含层节点数，m为输出层节点数，a为0-10之间的常数，隐含层节点数的选择首先是参考公式(2)来确定节点数的大概范围，然后用试凑法确定隐含层最佳节点数；

子步骤(c)、使用梯度修正法作为权值和阈值的学习方法，采用附加动量方法确定权值，带附加动量的权值学习公式表示为：

w(k)＝w(k-1)+Δw(k)+α[w(k-1)-w(k-2)]      (3)

式中，ω(k)，ω(k-1)，ω(k-2)分别是k，k-1，k-2时刻的权值，Δw(k)为ω(k)的变化量，α为动量学习率；

子步骤(d)、采用变学习率方法，学习率η在神经网路进化初期较大，网络收敛迅速，随之学习过程的进行，学习率不断减小，网络区域稳定，变学习率计算公式表示为：

η(t)＝(η_max-η_min)/t_max     (4)

式中，η_max为最大学习率，η_min为最小学习率，t_max为最大迭代次数，t为当前迭代次数，学习率η的取值在0～1之间；

步骤3、训练BP神经网络：采用训练数据训练BP神经网络，在训练过程中根据网络预测误差率对神经网络训练数据数量、动量学习率进行调整，具体包括以下子步骤：

子步骤(a)、以步骤1中产生的前200组数据作为训练数据，输入神经网络，构建神经网络系统；

子步骤(b)、以步骤1中产生的后50组数据作为测试数据，输入神经网络系统，计算系统的正确率；

子步骤(c)、调整动量学习率0.01到0.1，找到神经网络系统正确率最高时的值，确定动量学习率；

步骤4、测试BP神经网络，进行健康度评价：用测试数据进行健康度评价方法的准确率测试，确保准确率后对移动告警历史和实时数据进行健康度评价，具体包括以下子步骤：

子步骤(a)、将移动告警数据、实时数据按步骤1中的分类方法进行统计，统计每一天移动6类告警信息的数量，作为一组数据，采集测试时间内每天的数据，并进行归一化处理；

子步骤(b)、将步骤4中的子步骤(a)统计结果输入建立好的BP神经网络系统中，得到移动系统不同时间段历史及实时健康度评价等级；

子步骤(c)、将评价日期内健康度等级进行绘图统计，得到移动网络每天健康度变化趋势；

步骤5、反馈与自学习：对于使用过程中指标的调整及专家的意见，及时反馈到学习库中进行自学习，具体包括以下子步骤：

子步骤(a)、对于每天健康度评价结果，可反馈给移动专家进行评判，若某天健康度结果不准确，可以将当天的6类告警数量及调整后的健康度结果统计为一组数据，并将该数据反馈输入到步骤3训练数据中，对健康度评价系统进行调整；

子步骤(b)、对于移动网络健康度评价指标有微调及更新时，也可将更新后6类告警数量及调整后的健康度结果统计为一组数据，并将该数据反馈输入到步骤3训练数据中，对健康度评价系统进行重新调整；

步骤6、使用模糊综合评价法确定出现问题时段健康值较差基站：上述评价健康状况可以发现全网基站健康状况较差的时刻，为了找到具体发生问题的基站，进行基站健康值评价，具体包括以下子步骤：

子步骤(a)、对于步骤5评出的健康状况，对健康状况较差的时刻，将移动历史库中的历史告警信息按告警级别、告警分类、告警发生模块指标分为7类，并对该时刻7类告警数量以基站为单位分别进行统计，并将告警统计数量存入数据库中；

子步骤(b)、构造判断矩阵，设X＝{x1，x2，…，xn}是全部指标的集，按表2中1～9标度含义对全部指标作两两之间的重要度判断，构造出判断矩阵C＝(cij)n×n，其中cij＝f(xi，xj)，cii＝1，cij＝1/cji，即

计算判断矩阵C的最大特征值λmax，并求出判断矩阵C关于λmax的特征向量E＝(e1，e2，e3，…，en)，对E作归一化处理得到各指标的权重向量A＝{a1，a2，a3，…，an}       (6)

式中， $a_i=\frac{e_i}{{\mathrm{\&Sigma;}}_{i=1}^n{e}_i,}(i=\mathrm{1,2},...n);$

子步骤(c)、根据专家经验确定隶属度矩阵,确定单个基站7类告警各自的评价指标集；

子步骤(d)、构造隶属度函数。即对每一个评价指标ui(i＝1，2，…，n)，各自根据指标确定该指标隶属于u1优，u2良，u3中，u4差，u5很差的隶属函数u1i，u2i，u3i，u4i，u5i，根据确定的指标阈值g1，g2，…，g5，当被评价系统的指标ui的观测值si小于或等于阈值g1，则对指标ui的评价为优的隶属度绝对为1，其他评价等级的隶属度均为0，即隶属度向量ri＝[1，0，0，0，0]；当指标ui的观测值si大于阈值g5，则对指标ui的评价为很差的隶属度绝对为1，其他评价等级的隶属度均为0，可得到隶属度向量ri＝[0，0，0，0，1]；指标ui观测值si介于g1和g5之间的情况，即gj-1<si<gj(j＝2，3，4，5)，隶属度向量的各分

量按照公式(7)计算，式中替换j-1，j为m-1，m，

由指标的实际观测值si、指标的健康等级所对应的阈值gj和隶属度函数可以确定一个基站各项指标所相对的隶属度向量ri，而全部i类指标的隶属度向量ri构成模糊评价矩阵R；

子步骤(e)、采用公式(8)

B＝f(AR)        (8)

计算模糊评价向量B＝(bl，b2，…，bm)，其中bm表示所评价的对象具有评语vm的程度，式中A为指标的权重向量，R为模糊评价矩阵，f表示模糊变换算子，在本方法中采用加权平均型模糊变换算子M(·，⊕)，以兼顾考虑整体和各因素之间关系的综合评价，即B＝AR；

子步骤(f)、对于模糊评价向量B，依据专家经验给出各健康状态等级的得分，计算系统的健康值HV(Heath Value)，本方法中令“优”为0.9，“良”为0.7，“中”为0.5，“差”为0.3，“很差”为0.1，计算健康值；

子步骤(g)、对各基站健康值进行排序，筛选出健康值较低的基站。

本发明有益效果是：一种基于神经网络和模糊综合评价的移动网络健康评价方法，包括以下步骤：步骤1、建立评价体系：提取告警系统中的历史告警信息，结合移动专家意见建立告警健康状况评价标准；步骤2、建立BP神经网络：根据告警信息分类特点确定BP神经网络的结构，初始化BP神经网络的权值和阈值参数；步骤3、训练BP神经网络：采用训练数据训练BP神经网络，在训练过程中根据网络预测误差率对神经网络训练数据数量、动量学习率进行调整；步骤4、测试BP神经网络，进行健康度评价：用测试数据进行健康状况评价方法的准确率测试，确保准确率后对移动告警历史和实时数据进行健康状况评价；步骤5、反馈与自学习：对于使用过程中指标的调整及专家的意见，及时反馈到学习库中进行自学习；步骤6、利用模糊综合评价法确定出现问题时段健康值较差基站。与已有技术相比，本发明操作简单，评价结果准确，能够及时将指标更新及健康状况评价结果专家意见反馈引入到评价方法中，进行自我修正。

附图说明

图1是本发明的评价方法流程图。

图2是神经网络模型图。

图3是调整前的BP神经网络方法正确率图。

图4是调整后的BP神经网络方法正确率图。

图5是用本方法按月进行移动健康状况评价结果折线图。

图6是用本方法3月的某3天4G网络评价的评价结果及期望结果比较图。

图7对2014年7月8日某时刻7类告警统计及健康评价的结果图。

图8对2015年3月27日全天健康评价的结果图。

具体实施方式

下面结合附图对本发明作进一步说明。

如图1所示，一种基于神经网络和模糊综合评价的移动网络健康评价方法，包括以下步骤：

步骤1、建立评价体系：提取告警系统中的历史告警信息，结合移动专家意见建立告警健康状况评价标准，具体包括以下子步骤:

子步骤(a)、将移动历史库中的1-6月历史告警按告警级别、告警产生原因、告警发生模块特点分为7类，分别为CRITICAL告警、射频类告警、BBU基带处理单元告警、连接类告警、单板告警、软件配置告警，并对近半年内每个月的7类告警数量分别进行统计，将告警发生数存入数据库；

子步骤(b)、每类告警数量中筛选出告警量最低值、告警量最高值作为优秀及病态的打分阈值，结合移动专家意见将告警量在最低值、最高值之间的告警量打分为良好、中等、不健康，这样结合历史数据及专家评价根据告警量的大小，将告警指标分为五级标准，分别为优秀5、健康4、良好3、中等2、不健康1，健康状况打分结果如表1所示。

表1

子步骤(c)、根据建立的告警指标，按照正态分布方法，将以天为单位的告警数据分为优秀、健康、良好、中等、不健康5类健康等级，每类健康等级产生50组随机序列，再将5类健康等级250组不同健康状况的随机序列顺序随机打乱；

子步骤(d)、运用公式(1)最大最小法将数据进行归一化，

x_k＝(x_k-x_min)/(x_max-x_min)       (1)

其中，x_min为数据序列中的最小数，x_max为数据序列中的最大数,x_k为归一化的数据；

步骤2、建立BP神经网络：根据告警信息分类特点确定BP神经网络的结构，初始化BP神经网络的权值和阈值等参数，神经网络模型图如图2所示，具体包括以下子步骤：

子步骤(a)、网络初始化，根据输入、输出序列(X,Y)确定输入层节点数、隐含层节点数、输出层节点数，初始化链接权值、隐含层阈值、输出层阈值，给定学习率和动量学习率；

子步骤(b)、按公式(2)确定隐含层节最佳点数

$\left.\begin{array}{c}1<n=1\\ 1<\sqrt{(m-n)}+a\\ 1={\log }_2\mathrm{\&pi;}\end{array}\right\}---\left(2\right)$

式中，n为输入层节点数，l为隐含层节点数，m为输出层节点数，a为0-10之间的常数，隐含层节点数的选择首先是参考公式(2)来确定节点数的大概范围，然后用试凑法确定隐含层最佳节点数；

子步骤(c)、用梯度修正法作为权值和阈值的学习方法，采用附加动量方法确定权值，带附加动量的权值学习公式为：

w(k)＝w(k-1)+Δw(k)+α[w(k-1)-w(k-2)]      (3)

式中，ω(k)，ω(k-1)，ω(k-2)分别是k，k-1，k-2时刻的权值，Δw(k)为ω(k)的变化量，α为动量学习率；

子步骤(d)、采用变学习率方法，学习率η在神经网路进化初期较大，网络收敛迅速，随之学习过程的进行，学习率不断减小，网络区域稳定，变学习率计算公式为

η(t)＝(η_max-η_min)/t_max     (4)

式中，η_max为最大学习率，η_min为最小学习率，t_max为最大迭代次数，t为当前迭代次数,学习率η的取值在0～1之间；

步骤3、训练BP神经网络：采用训练数据训练BP神经网络，在训练过程中根据网络预测误差率对神经网络训练数据数量、动量学习率进行调整，具体包括以下子步骤：

子步骤(a)、以步骤1中产生的前200组数据作为训练数据，输入神经网络，构建神经网络系统；

子步骤(b)、以步骤1中产生的后50组数据作为测试数据，输入神经网络系统，计算系统的正确率；

子步骤(c)、调整动量学习率0.01到0.1，找到神经网络系统正确率最高时的值，确定动量学习率，最终确定动量学习率为0.1时，50组测试数据正确率为98％最高。

调整前的BP神经网络方法正确率图如图3所示，其中：图(a)是实际健康类别与BP神经网络预测健康状况类别等级图，图(b)是实际与神经网络预测法两者健康状况误差图。调整后的BP神经网络方法正确率图如图4所示，其中：图(a)是实际健康类别与BP神经网络预测健康状况类别等级图，图(b)是实际与神经网络预测法两者健康状况误差图。

步骤4、测试BP神经网络，进行健康状况评价：用测试数据进行健康状况评价方法的准确率测试，确保准确率后对移动告警历史和实时数据进行健康状况评价，具体包括以下子步骤：

子步骤(a)、将移动告警数据、实时数据按步骤1中的分类方法进行统计，统计移动4月、5月2个月的历史告警数据分成7类后告警信息的数量，作为一组数据，采集测试时间内每天的数据，并进行归一化处理；

子步骤(b)、将步骤4中步骤(a)中的统计结果输入建立好的BP神经网络系统中，得到移动系统不同时间段历史及实时健康状况评价等级；

子步骤(c)、将评价日期内健康状况等级进行绘图统计，得到移动网络每天健康状况变化趋势，得到四月、五月移动健康状况趋势图如图5所示；

步骤5、反馈与自学习：对于使用过程中指标的调整及专家的意见，及时反馈到学习库中进行自学习，具体包括以下子步骤：

子步骤(a)、对于每天健康状况评价结果，可反馈给移动专家进行评判，若某日健康状况结果不准确，可以将当天的7类告警数量及调整后的健康状况结果统计为一组数据，并将该数据反馈输入到步骤3训练数据中，对健康状况评价系统进行调整；

子步骤(b)、对于移动网络健康状况评价指标有微调及更新时，也可将更新后7类告警数量及调整后的健康状况结果统计为一组数据，并将该数据反馈输入步骤3训练数据中，对健康状况评价系统进行重新调整。

步骤6、使用模糊综合评价法确定出现问题时段健康值较差基站：上述评价健康状况可以发现全网基站健康状况较差的时刻，为了找到具体发生问题的基站，进行基站健康值评价，具体包括以下子步骤：

子步骤(a)、对于步骤5评出的健康状况，对健康状况较差的时刻，将移动历史库中的历史告警信息按告警级别、告警分类、告警发生模块指标分为7类，并对该时刻7类告警数量以基站为单位分别进行统计，并将告警统计数量存入数据库中；

子步骤(b)、构造判断矩阵，设X＝{x1，x2，…，xn}是全部指标的集，按表2中1～9标度含义对全部指标作两两之间的重要度判断，构造出判断矩阵C＝(cij)n×n，其中cij＝f(xi，xj)，cii＝1，cij＝1/cji，即

表2

计算判断矩阵C的最大特征值λmax，并求出判断矩阵C关于λmax的特征向量E＝(e1，e2，e3，…，en)，对E作归一化处理得各指标的权重，表示为权重向量A，即A＝{a1，a2，a3，…，an}        (6)

式中， $a_i=\frac{e_i}{{\mathrm{\&Sigma;}}_{i=1}^n{e}_i,}(i=\mathrm{1,2},...n).$

子步骤(c)、根据专家经验确定隶属度矩阵,确定单个基站7类告警各自的评价指标集；

子步骤(d)、构造隶属度函数。即对每一个评价指标ui(i＝1，2，…，n)，各自根据指标确定该指标隶属于u1(优)，u2(良)，u3(中)，u4(差)，u5(很差)的隶属函数u1i，u2i，u3i，u4i，u5i。根据确定的指标阈值g1，g2，…，g5，当被评价系统的指标ui的观测值si小于或等于阈值g1，则对指标ui的评价为优的隶属度绝对为1，其他评价等级的隶属度均为0，即隶属度向量ri＝[1，0，0，0，0]；当指标ui的观测值si大于阈值g5，则对指标ui的评价为很差的隶属度绝对为1，其他评价等级的隶属度均为0，可得到隶属度向量ri＝[0，0，0，0，1]；指标ui观测值si介于g1和g5之间的情况，即gj-1<si<gj(j＝2，3，4，5)，隶属度向量的各分量按照下面的公式计算(式中替换j-1，j为m-1，m)：

由指标的实际观测值si、指标的健康等级所对应的阈值gj和隶属度函数可以确定一个基站各项指标所相对的隶属度向量ri，而全部i类指标的隶属度向量ri构成模糊评价矩阵R。

子步骤(e)、采用公式

B＝f(AR)       (8)

计算模糊评价向量B＝(bl，b2，…，bm)，其中bm表示所评价的对象具有评语vm的程度，式中A为指标的权重向量，R为模糊评价矩阵，f表示模糊变换算子，在本文中采用加权平均型模糊变换算子M(·，⊕)，以兼顾考虑整体和各因素之间关系的综合评价，即B＝AR。

子步骤(f)、对于模糊评价向量B，依据专家经验给出各健康状态等级的得分，计算系统的健康值HV(Heath Value)，本文中令“优”为0.9，“良”为0.7，“中”为0.5，“差”为0.3，“很差”为0.1，计算健康值；

子步骤(g)、对各基站健康值进行排序，筛选出健康值较低的基站，评价结果如表3所示。           表3

本发明优点在于：一种基于神经网络和模糊综合评价的移动网络健康状况评价方法操作简单，评价结果准确，能够及时将指标更新及健康状况评价结果专家意见反馈引入到评价方法中，进行自我修正，并准确定位出现问题基站，便于及时维护维修。

Claims (1)

1.一种基于神经网络和模糊综合评价的移动网络健康评价方法，其特征在于包括以下步骤：

步骤1、建立评价体系：提取告警系统中的历史告警信息，结合移动专家意见建立告警健康度评价标准，具体包括以下子步骤:

子步骤(a)、将移动历史库中的历史告警信息按告警级别、告警分类、告警发生模块指标分为6类，并对近半年内每个月的6类告警数量以天为单位分别进行统计，并将告警统计数量存入数据库中；

子步骤(b)、从每类告警数量中筛选出告警数量最低值、告警数量最高值作为优秀及不健康的打分阈值，并结合移动专家意见将告警数量在最低值和最高值之间的告警数量打分为健康、良好、中等，根据告警数量的大小并结合历史数据及专家评价，将告警指标分为优秀、健康、良好、中等、不健康五级标准；

子步骤(c)、根据建立的告警指标，按照正态分布方法，将以天为单位的告警数据分为优秀、健康、良好、中等、不健康5类健康等级，每类健康等级产生50组随机序列，再将5类健康等级250组不同健康度的随机序列顺序随机打乱；

子步骤(d)、运用公式(1)最大最小法将数据进行归一化，

x_k＝(x_k-x_min)/(x_max-x_min)   (1)

式中，x_min为数据序列中的最小数，x_max为数据序列中的最大数,x_k为归一化的数据；

步骤2、建立BP神经网络：根据告警信息分类特点确定BP神经网络的结构，初始化BP神经网络的权值和阈值参数，具体包括以下子步骤：

子步骤(a)、网络初始化，根据输入、输出序列(X,Y)确定输入层节点数、隐含层节点数、输出层节点数，初始化链接权值、隐含层阈值、输出层阈值，给定学习率和动量学习率；

子步骤(b)、按公式(2)确定隐含层最佳节点数，

$\left.\begin{array}{c}1<n-1\\ 1<\sqrt{(m-n)}+a\\ 1={\log }_{2}n\end{array}\right\}---\left(2\right)$

式中，n为输入层节点数，l为隐含层节点数，m为输出层节点数，a为0-10之间的常数，隐含层节点数的选择首先是参考公式(2)来确定节点数的大概范围，然后用试凑法确定隐含层最佳节点数；

子步骤(c)、使用梯度修正法作为权值和阈值的学习方法，采用附加动量方法确定权值，带附加动量的权值学习公式表示为：

w(k)＝w(k-1)+Δw(k)+α[w(k-1)-w(k-2)]   (3)

式中，ω(k)，ω(k-1)，ω(k-2)分别是k，k-1，k-2时刻的权值，Δw(k)为ω(k)的变化量，α为动量学习率；

子步骤(d)、采用变学习率方法，学习率η在神经网路进化初期较大，网络收敛迅速，随之学习过程的进行，学习率不断减小，网络区域稳定，变学习率计算公式表示为：

η(t)＝(η_max-η_min)/t_max   (4)

式中，η_max为最大学习率，η_min为最小学习率，t_max为最大迭代次数，t为当前迭代次数，学习率η的取值在0～1之间；

步骤3、训练BP神经网络：采用训练数据训练BP神经网络，在训练过程中根据网络预测误差率对神经网络训练数据数量、动量学习率进行调整，具体包括以下子步骤：

子步骤(a)、以步骤1中产生的前200组数据作为训练数据，输入神经网络，构建神经网络系统；

子步骤(b)、以步骤1中产生的后50组数据作为测试数据，输入神经网络系统，计算系统的正确率；

子步骤(c)、调整动量学习率0.01到0.1，找到神经网络系统正确率最高时的值，确定动量学习率；

步骤4、测试BP神经网络，进行健康度评价：用测试数据进行健康度评价方法的准确率测试，确保准确率后对移动告警历史和实时数据进行健康度评价，具体包括以下子步骤：

子步骤(a)、将移动告警数据、实时数据按步骤1中的分类方法进行统计，统计每一天移动6类告警信息的数量，作为一组数据，采集测试时间内每天的数据，并进行归一化处理；

子步骤(b)、将步骤4中的子步骤(a)统计结果输入建立好的BP神经网络系统中，得到移动系统不同时间段历史及实时健康度评价等级；

子步骤(c)、将评价日期内健康度等级进行绘图统计，得到移动网络每天健康度变化趋势；

步骤5、反馈与自学习：对于使用过程中指标的调整及专家的意见，及时反馈到学习库中进行自学习，具体包括以下子步骤：

子步骤(a)、对于每天健康度评价结果，可反馈给移动专家进行评判，若某天健康度结果不准确，可以将当天的6类告警数量及调整后的健康度结果统计为一组数据，并将该数据反馈输入到步骤3训练数据中，对健康度评价系统进行调整；

子步骤(b)、对于移动网络健康度评价指标有微调及更新时，也可将更新后6类告警数量及调整后的健康度结果统计为一组数据，并将该数据反馈输入到步骤3训练数据中，对健康度评价系统进行重新调整；

步骤6、使用模糊综合评价法确定出现问题时段健康值较差基站：上述评价健康状况可以发现全网基站健康状况较差的时刻，为了找到具体发生问题的基站，进行基站健康值评价，具体包括以下子步骤：

子步骤(a)、对于步骤5评出的健康状况，对健康状况较差的时刻，将移动历史库中的历史告警信息按告警级别、告警分类、告警发生模块指标分为7类，并对该时刻7类告警数量以基站为单位分别进行统计，并将告警统计数量存入数据库中；

子步骤(b)、构造判断矩阵，设X＝{x1，x2，…，xn}是全部指标的集，按表2中1～9标度含义对全部指标作两两之间的重要度判断，构造出判断矩阵C＝(cij)n×n，其中cij＝f(xi，xj)，cii＝1，cij＝1/cji，即

计算判断矩阵C的最大特征值λmax，并求出判断矩阵C关于λmax的特征向量E＝(e1，e2，e3，…，en)，对E作归一化处理得到各指标的权重向量A＝{a1，a2，a3，…，an}   (6)

式中，(i＝1，2，…n)；

子步骤(c)、根据专家经验确定隶属度矩阵,确定单个基站7类告警各自的评价指标集；

子步骤(d)、构造隶属度函数。即对每一个评价指标ui(i＝1，2，…，n)，各自根据指标确定该指标隶属于u1优，u2良，u3中，u4差，u5很差的隶属函数u1i，u2i，u3i，u4i，u5i，根据确定的指标阈值g1，g2，…，g5，当被评价系统的指标ui的观测值si小于或等于阈值g1，则对指标ui的评价为优的隶属度绝对为1，其他评价等级的隶属度均为0，即隶属度向量ri＝[1，0，0，0，0]；当指标ui的观测值si大于阈值g5，则对指标ui的评价为很差的隶属度绝对为1，其他评价等级的隶属度均为0，可得到隶属度向量ri＝[0，0，0，0，

1]；指标ui观测值si介于g1和g5之间的情况，即gj-1<si<gj(j＝2，3，4，5)，隶属度向量的各分量按照公式(7)计算，式中替换j-1，j为m-1，m，

由指标的实际观测值si、指标的健康等级所对应的阈值gj和隶属度函数可以确定一个基站各项指标所相对的隶属度向量ri，而全部i类指标的隶属度向量ri构成模糊评价矩阵R，

子步骤(e)、采用公式(8)

B＝f(AR)   (8)

计算模糊评价向量B＝(bl，b2，…，bm)，其中bm表示所评价的对象具有评语vm的程度，式中A为指标的权重向量，R为模糊评价矩阵，f表示模糊变换算子，在本方法中采用加权平均型模糊变换算子M(·，⊕)，以兼顾考虑整体和各因素之间关系的综合评价，即B＝AR；

子步骤(f)、对于模糊评价向量B，依据专家经验给出各健康状态等级的得分，计算系统的健康值HV(Heath Value)，本方法中令“优”为0.9，“良”为0.7，“中”为0.5，“差”为0.3，“很差”为0.1，计算健康值；

子步骤(g)、对各基站健康值进行排序，筛选出健康值较低的基站。