CN108366386B - 一种使用神经网络实现无线网络故障检测的方法 - Google Patents
一种使用神经网络实现无线网络故障检测的方法 Download PDFInfo
- Publication number
- CN108366386B CN108366386B CN201810449148.1A CN201810449148A CN108366386B CN 108366386 B CN108366386 B CN 108366386B CN 201810449148 A CN201810449148 A CN 201810449148A CN 108366386 B CN108366386 B CN 108366386B
- Authority
- CN
- China
- Prior art keywords
- base station
- food source
- neural network
- detection
- value
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 58
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 48
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 24
- 230000035772 mutation Effects 0.000 claims abstract description 11
- 238000005457 optimization Methods 0.000 claims abstract description 10
- 238000003066 decision tree Methods 0.000 claims abstract description 9
- 230000006870 function Effects 0.000 claims description 27
- 210000004027 cell Anatomy 0.000 claims description 16
- 210000002569 neuron Anatomy 0.000 claims description 13
- 238000012549 training Methods 0.000 claims description 10
- 238000005070 sampling Methods 0.000 claims description 9
- 238000011835 investigation Methods 0.000 claims description 7
- 230000001960 triggered effect Effects 0.000 claims description 7
- 230000002159 abnormal effect Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 5
- 241000257303 Hymenoptera Species 0.000 claims description 4
- 230000003321 amplification Effects 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 3
- 238000010187 selection method Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 230000002093 peripheral effect Effects 0.000 claims description 2
- 230000004913 activation Effects 0.000 claims 1
- 230000002123 temporal effect Effects 0.000 claims 1
- 238000004891 communication Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000011946 reduction process Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/04—Arrangements for maintaining operational condition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Signal Processing (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computer Networks & Wireless Communication (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开了一种使用改进的径向基函数神经网络实现无线网络故障检测的方法,以实现对非线性可分的用户数据更好的分类。本发明应用了决策树基学习器和bagging方法从空间和时间维度的用户数据中进行特征选择,并应用结合了突变操作的人工蜂群算法实现神经网络参数的全局最优化,从而提升神经网络分类器的性能,分布式协作的检测方法引入了相邻基站的监测功能,提高了检测准确率也减少了数据传输消耗,在密集分布、用户稀疏的小型基站故障检测问题中取得了理想的性能。
Description
技术领域
本发明属于移动通信技术领域,具体涉及一种使用改进的径向基函数神经网络实现无线网络故障检测的方法。
背景技术
为了满足更高的用户服务质量需求,达到更大的通信带宽,去中心化的自组织网络信息收集和管理方法将会在5G中的到更好的网络性能。小区故障检测问题是自组织网络中自治愈功能的重要内容,异构网络中的故障检测问题已经得到了广泛的研究。由于小型基站高密度的分布特点和用户统计数据稀疏的特性,同构网络中的故障检测方法大部分不再适用。
发明内容
发明目的:为了克服现有技术中存在的不足,研究神经网络在无线网络基站功率衰减故障检测问题中的应用,提供一种使用改进的径向基函数神经网络实现无线网络故障检测的方法,利用分布式协作的检测方法引入了相邻基站的监测功能,在用户稀少的密集网络中提高了检测准确率,减少数据传输消耗,取得良好的性能。
技术方案:为实现上述目的,本发明采用的技术方案如下:
1)首先考虑检测过程的触发,神经网络中各个神经元的并行运算使得测试过程的运算速度大大提升,因此对于触发错误的容忍度也提高了,我们通过网络A2、A3事件触发基站功率衰减故障的检测过程;
2)对于毫微微基站而言,被触发的待检测基站通过基站间接口通知邻区执行协作检测;邻区基站通过神经网络分类器分布式地处理相关用户数据,将分类结果告知被检测基站,由被检测基站统计分类报告,最后得到异常基站检测结果;
3)在测试检测前,在毫微微基站中存储参考场景下基站自身的采样数据集,对训练数据集的空间和事件用户数据执行特征子集选择,并训练径向基函数神经网络分类器,使用带有突变操作的人工蜂群算法对神经网络的参数学习过程进行优化。
所述步骤2)具体包括如下流程:
在故障检测阶段,被触发检测的基站通知其相邻基站运行检测算法,并将检测结果反馈回待测基站进行最终决策。每个基站利用其服务用户的报告数据可以对多个邻区执行协作检测,即神经网络输出层各个神经元的计算结果。对于某个特定的目标基站,仅需要计算其对应的神经元的输出结果,并报告给目标基站。由于参考数据标记类别为{0,1},目标基站收集协作基站的检测报告,将结果低于0.5的标记为正常,反之标记为异常,则目标基站的运行状态由标记数目较多的类别决定。
所述步骤3)中具体的步骤依次包括特征降维、神经网络建模和参数优化过程。
进一步地,特征降维包括如下步骤:
1.1)将目标待测基站f样本集Df中样本数据x表示为x=(CT1,C2,...,Cn1,T2,...,Tn2),其中,CT1为待测基站当前时刻的RSRP记录,C2,...,Cn1为相邻小区当前时刻的RSRP记录,T2,...,Tn2为用户对待测基站历史时刻的RSRP记录,n1和n2分别为基站特征和历史时刻特征数目。
1.2)对于取值连续的RSRP特征数据,采用二分法进行离散化处理,同时,由于用户设备测量值范围有限导致缺失属性值的数据将以不同的概率划分到不同子节点。C4.5算法采用了启发式的节点选择法,即先找出信息增益高于平均水平的属性,再从中选择具有最大信息增益率的属性。表示出含有缺失值的属性a(a∈{CT1,C2,...,Cn1,T2,...,Tn2})的数据信息增益Gain(Df,a)。
1.3)使用决策树作为基学习器,并通过Bagging生成特征子集,我们将生成的采样集用于训练特征选择决策树基学习器,将初始数据集中剩下的数据用作验证集,评估基学习器的泛化性能。计算决策树节点对应的属性a在分类问题中的权重Wa。
1.4)为了在检测准确率和计算复杂度之间取得平衡,根据用户数据各个属性的权重值,选择特征子集,特征数目不能过大或过小。
进一步地,神经网络建模包括如下步骤:
2.1)建立包括输入层和输出层、具有单隐层的径向基函数神经网络,输入层与隐藏层之间的连接权值为1,所述隐藏层中计算输入矢量x与每个隐藏层神经元中心矢量ch=(ch1,...,chi,...,chd)的欧式距离,并由径向基函数激活,输出层中计算它们的线性组合。
2.2)某个特定输出层神经元的输出值表示为:
隐藏层神经元中心矢量ch、径向基函数带宽βh、连接权值whj、输出层阈值ξj由反向传播算法可以求得,ch中元素的取值范围设置为[-107.5,-40],βh取值范围设置为[0,1],别决定了径向基函数的滤波中心和平滑程度,连接权值whj和输出层阈值ξj分别在[0,1]和[-0.5,0.5]范围内取值。
进一步地,参数优化包括如下步骤:
第一步,将神经网络中的N=dq+2q+1维参数矢量(c1,..,ch,β1,..,βh,ξj)看成蜂群算法中的食物源,用wm=(wm1,..,wmi,..,wmN)表示第m个食物源。对神经网络进行参数优化的过程即蜂群算法中寻找最佳食物源的过程;
第三步,雇佣蜂负责在这些食物源wm附近寻找新的食物源vm:
vmi=wmi+F1(wmi-wki);
计算食物源的匹配值来选择食物源,若新食物源的匹配值低于原食物源,则增加侦查计数,否则将侦查计数归零,并用新食物源替换原食物源。匹配值fit(wm)是关于参数优化问题最小化目标y(wm)的函数,同时,利用匹配值用轮盘赌方法计算食物源wm被选择的概率pm;
第四步,观察蜂按概率选择食物源,为了避免陷入局部最优并且增大收敛速率,我们给出了带有突变的食物源寻找方式:
其中,wk、wp和wq为除wm以外的任意相异食物源,t和T分别为当前和最大的迭代次数,F2=rand(0.6,0.9)为用于突变的放大因子。同样,产生的新食物源vm与原本的食物源wm根据第三步比较匹配值并更新侦查计数值,当fit(vm)>fit(wm)时,食物源vm将替代wm。迭代次数T通常可以设置为蜂群数量与食物源维度的乘积。
第五步,当一个食物源的侦查计数值高于阈值时,该食物源将被抛弃并按照步骤第一步随机选择新的食物源。此时,蜂群算法完成一次迭代,蜂群迭代将在t达到T或均方误差值小于目标值ε时结束。
有益效果:本发明与现有技术相比,提出了一种协作式的检测体系,减少通信开销,并且在故障小区仅有稀少用户时也能获得较大的检测准确率;运用了改进的C4.5和bagging算法从时间和空间属性中选择最优特征子集,在密集网络中取得更好的性能;用具有突变特性的人工蜂群算法优化径向基神经网络的参数,实现快速收敛和全局最优。
附图说明
图1为本发明的训练流程示意图;
图2为本发明的径向基函数神经网络建模示意图。
具体实施方式
下面结合附图和具体实施例,进一步阐明本发明,应理解这些实施例仅用于说明本发明而不用于限制本发明的范围。
如图1所示,本发明提供一种使用改进的径向基函数神经网络实现无线网络故障检测的方法,具体包括如下步骤:
1)首先考虑检测过程的触发,神经网络中各个神经元的并行运算使得测试过程的运算速度大大提升,因此对于触发错误的容忍度也提高了,我们通过网络A2、A3事件触发基站功率衰减故障的检测过程,这边需要说明的是网络A2、A3事件即服务小区比绝对门限差或邻小区比服务小区高出一定偏移量;
2)对于毫微微基站而言,被触发的待检测基站通过基站间接口通知邻区执行协作检测;邻区基站通过神经网络分类器分布式地处理相关用户数据,将分类结果告知被检测基站,由被检测基站统计分类报告,最后得到异常基站检测结果;
3)在测试检测前,在毫微微基站中存储参考场景下基站自身的采样数据集,对训练数据集的空间和事件用户数据执行特征子集选择,并训练径向基函数神经网络分类器,使用带有突变操作的人工蜂群算法对神经网络的参数学习过程进行优化;
4)我们考虑毫微微基站密集覆盖在其它基站之上的异构网络,假设毫微微基站的发射功率衰减引起故障,而基站的运算功能不受影响。不同于将网络用户数据采集到运营管理中心的方法,我们在毫微微基站中存储参考场景下基站自身的采样数据集并训练神经网络分类器。根据自组织应用场景的自动邻区配置和毫微微基站间的接口连接,毫微微基站在邻区列表中指定用户设备需要侦听的小区,并由用户设备更新和维护邻区列表,通过基站间接口传输分类报告。
5)训练过程中,正常场景和故障场景下A2、A3事件发生时用户数据的特征子集数据及其标签将被用于神经网络参数学习。为了更好地研究故障检测性能,我们以目标基站为中心布置网络仿真区域。毫微微基站和用户的分布符合泊松点过程,同时为了保证用户的合理分布,防止过度随机性给实验结果带来的误差,我们分别在基站周边区域及整个区域内随机播撒用户进行模拟。
所述步骤2)具体包括如下流程:
在故障检测阶段,被触发检测的基站通知其相邻基站运行检测算法,并将检测结果反馈回待测基站进行最终决策。每个基站利用其服务用户的报告数据可以对多个邻区执行协作检测,即神经网络输出层各个神经元的计算结果。对于某个特定的目标基站,仅需要计算其对应的神经元的输出结果,并报告给目标基站。由于参考数据标记类别为{0,1},目标基站收集协作基站的检测报告,将结果低于0.5的标记为正常,反之标记为异常,则目标基站的运行状态由标记数目较多的类别决定。
所述步骤3)中具体的步骤依次包括特征降维、神经网络建模和参数优化过程。
特征降维包括如下步骤:
1.1)将目标待测基站f样本集Df中样本数据x表示为x=(CT1,C2,...,Cn1,T2,...,Tn2),其中,CT1为待测基站当前时刻的RSRP记录,C2,...,Cn1为相邻小区当前时刻的RSRP记录,T2,...,Tn2为用户对待测基站历史时刻的RSRP记录,n1和n2分别为基站特征和历史时刻特征数目。
1.2)对于取值连续的RSRP特征数据,采用二分法进行离散化处理,同时,由于用户设备测量值范围有限导致缺失属性值的数据将以不同的概率划分到不同子节点。C4.5算法采用了启发式的节点选择法,即先找出信息增益高于平均水平的属性,再从中选择具有最大信息增益率的属性。表示出含有缺失值的属性a(a∈{CT1,C2,...,Cn1,T2,...,Tn2})的数据信息增益Gain(Df,a)。
1.3)使用决策树作为基学习器,并通过Bagging生成特征子集,我们将生成的采样集用于训练特征选择决策树基学习器,将初始数据集中剩下的数据用作验证集,评估基学习器的泛化性能。计算决策树节点对应的属性a在分类问题中的权重Wa。
1.4)为了在检测准确率和计算复杂度之间取得平衡,根据用户数据各个属性的权重值,选择特征子集,特征数目不能过大或过小。
神经网络建模包括如下步骤:
2.1)建立包括输入层和输出层、具有单隐层的径向基函数神经网络,如图2所示,输入层与隐藏层之间的连接权值为1,所述隐藏层中计算输入矢量x与每个隐藏层神经元中心矢量ch=(ch1,...,chi,...,chd)的欧式距离,并由径向基函数激活,输出层中计算它们的线性组合。
2.2)某个特定输出层神经元的输出值表示为:
隐藏层神经元中心矢量ch、径向基函数带宽βh、连接权值whj、输出层阈值ξj由反向传播算法可以求得,ch中元素的取值范围设置为[-107.5,-40],βh取值范围设置为[0,1],别决定了径向基函数的滤波中心和平滑程度,连接权值whj和输出层阈值ξj分别在[0,1]和[-0.5,0.5]范围内取值。
参数优化包括如下步骤:
第一步,将神经网络中的N=dq+2q+1维参数矢量(c1,..,ch,β1,..,βh,ξj)看成蜂群算法中的食物源,用wm=(wm1,..,wmi,..,wmN)表示第m个食物源。对神经网络进行参数优化的过程即蜂群算法中寻找最佳食物源的过程;
第三步,雇佣蜂负责在这些食物源wm附近寻找新的食物源vm:
vmi=wmi+F1(wmi-wki);
计算食物源的匹配值来选择食物源,若新食物源的匹配值低于原食物源,则增加侦查计数,否则将侦查计数归零,并用新食物源替换原食物源。匹配值fit(wm)是关于参数优化问题最小化目标y(wm)的函数,同时,利用匹配值用轮盘赌方法计算食物源wm被选择的概率pm。
第四步,观察蜂按概率选择食物源,为了避免陷入局部最优并且增大收敛速率,我们给出了带有突变的食物源寻找方式:
其中,wk、wp和wq为除wm以外的任意相异食物源,t和T分别为当前和最大的迭代次数,F2=rand(0.6,0.9)为用于突变的放大因子。同样,产生的新食物源vm与原本的食物源wm根据第三步比较匹配值并更新侦查计数值,当fit(vm)>fit(wm)时,食物源vm将替代wm。迭代次数T通常可以设置为蜂群数量与食物源维度的乘积。
第五步,当一个食物源的侦查计数值高于阈值时,该食物源将被抛弃并按照步骤第一步随机选择新的食物源。此时,蜂群算法完成一次迭代,蜂群迭代将在t达到T或均方误差值小于目标值ε时结束。
Claims (4)
1.一种使用改进的径向基函数神经网络实现无线网络故障检测的方法,其特征在于:包括如下步骤:
1)首先考虑检测过程的触发,神经网络中各个神经元并行运算,通过网络A2、A3事件触发基站功率衰减故障的检测过程;
2)对于毫微微基站而言,被触发的待检测基站通过基站间接口通知邻区执行协作检测,邻区基站通过神经网络分类器分布式地处理相关用户数据,将分类结果告知被检测基站,由被检测基站统计分类报告,最后得到异常基站检测结果;
3)在测试检测前,我们在毫微微基站中存储参考场景下基站自身的采样数据集,对训练数据集的空间和时间用户数据执行特征子集选择,并训练径向基函数神经网络分类器,使用带有突变操作的人工蜂群算法对神经网络的参数学习过程进行优化;
所述步骤3)中具体的步骤依次包括特征降维、神经网络建模和参数优化过程;
所述特征降维包括如下步骤:
1.1)对于特定的目标待测基站f,样本集Df中样本数据x可以表示为其中,CT1为待测基站当前时刻的RSRP记录,为相邻小区当前时刻的RSRP记录,为用户对待测基站历史时刻的RSRP记录,n1和n2分别为基站特征和历史时刻特征数目;
1.2)对于取值连续的RSRP特征数据,采用二分法进行离散化处理,同时,由于用户设备测量值范围有限导致缺失属性值的数据将以不同的概率划分到不同子节点,C4.5算法采用了启发式的节点选择法,即先找出信息增益高于平均水平的属性,再从中选择具有最大信息增益率的属性;
1.3)使用决策树作为基学习器,并通过Bagging生成特征子集,将生成的采样集用于训练特征选择决策树基学习器,将初始数据集中剩下的数据用作验证集,评估基学习器的泛化性能;
1.4)为了在检测准确率和计算复杂度之间取得平衡,根据用户数据各个属性的权重值,选择特征子集;
所述神经网络建模的具体流程如下:
2.1)径向基函数神经网络是BP网络的一个特例,包括输入层、输出层和隐藏层的三层神经网络;所述输入层与隐藏层之间的连接权值为1,所述隐藏层中计算输入矢量x与每个隐藏层神经元中心矢量ch=(ch1,...,chi,...,chd)的欧式距离,并由径向基函数激活,所述输出层中计算它们的线性组合;
2.2)某个特定输出层神经元的输出值表示为:
隐藏层神经元中心矢量ch、径向基函数带宽βh、连接权值whj、输出层阈值ξj由反向传播算法可以求得;
所述参数优化过程中将神经网络中的N=dq+2q+1维参数矢量(c1,..,ch,β1,..,βh,ξj)看成蜂群算法中的食物源,用wm=(wm1,..,wmi,..,wmN)表示第m个食物源,对神经网络进行参数优化的过程即蜂群算法中寻找最佳食物源的过程,依次包括如下三个阶段:
3.2)雇佣蜂阶段:雇佣蜂(SN/2)负责在这些食物源wm附近寻找新的食物源vm:
vmi=wmi+F1(wmi-wki)
其中,wk为除wm以外的任意相异食物源,F1=rand(-1,1)是一个用于寻找相邻区域食物源的偏移参数;计算食物源的匹配值来选择食物源,若新食物源的匹配值低于原食物源,则增加侦查计数,否则将侦查计数归零,并用新食物源替换原食物源;
3.3)观察蜂阶段:观察蜂(SN/2)按概率选择食物源,为了避免陷入局部最优并且增大收敛速率,给出了带有突变的食物源寻找方式:
其中,wk、wp和wq为除wm以外的任意相异食物源,t和T分别为当前和最大的迭代次数,F2=rand(0.6,0.9)为用于突变的放大因子;同样,产生的新食物源vm与原本的食物源wm根据步骤3.2)比较匹配值并更新侦查计数值,当fit(vm)>fit(wm)时,食物源vm将替代wm;在迭代前期,F2大于阈值的条件更易于实现,即观察蜂在已选食物源附近向着其它食物源方向寻找新的食物源;随着迭代的不断执行,F2小于阈值的条件更易于实现,即观察蜂跳出已选食物源的周边区域,从当前最佳的食物源向随机方向寻找新的食物源;
3.4)侦查蜂阶段:当一个食物源的侦查计数值高于SN·N/2时,该食物源将被抛弃并随机选择新的食物源,此时,蜂群算法完成一次迭代,蜂群迭代将在t达到T或均方误差值小于目标值ε时结束。
2.根据权利要求1所述的一种使用改进的径向基函数神经网络实现无线网络故障检测的方法,其特征在于:所述步骤2)具体包括如下流程:
在故障检测阶段,被触发检测的基站通知其相邻基站运行检测算法,并将检测结果反馈回待测基站进行最终决策,每个基站利用其服务用户的报告数据可以对多个邻区执行协作检测,即神经网络输出层各个神经元的计算结果,对于某个特定的目标基站,仅需要计算其对应的神经元的输出结果,并报告给目标基站,由于参考数据标记类别为{0,1},目标基站收集协作基站的检测报告,将结果低于0.5的标记为正常,反之标记为异常,则目标基站的运行状态由标记数目较多的类别决定。
3.根据权利要求1所述的一种使用改进的径向基函数神经网络实现无线网络故障检测的方法,其特征在于:ch中元素的取值范围设置为[-107.5,-40],βh取值范围设置为[0,1],连接权值whj和输出层阈值ξj分别在[0,1]和[-0.5,0.5]范围内取值。
4.根据权利要求1所述的一种使用改进的径向基函数神经网络实现无线网络故障检测的方法,其特征在于:所述步骤3.3)中最大的迭代次数T设置为蜂群数量与食物源维度的乘积。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810449148.1A CN108366386B (zh) | 2018-05-11 | 2018-05-11 | 一种使用神经网络实现无线网络故障检测的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810449148.1A CN108366386B (zh) | 2018-05-11 | 2018-05-11 | 一种使用神经网络实现无线网络故障检测的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108366386A CN108366386A (zh) | 2018-08-03 |
CN108366386B true CN108366386B (zh) | 2021-01-05 |
Family
ID=63011885
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810449148.1A Expired - Fee Related CN108366386B (zh) | 2018-05-11 | 2018-05-11 | 一种使用神经网络实现无线网络故障检测的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108366386B (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110139315B (zh) * | 2019-04-26 | 2021-09-28 | 东南大学 | 一种基于自我学习的无线网络故障检测方法 |
CN110445653B (zh) * | 2019-08-12 | 2022-03-29 | 灵长智能科技(杭州)有限公司 | 网络状态预测方法、装置、设备及介质 |
CN110602120B (zh) * | 2019-09-19 | 2022-04-05 | 国网江苏省电力有限公司信息通信分公司 | 一种面向网络的入侵数据检测方法 |
CN110657091B (zh) * | 2019-09-20 | 2020-12-11 | 中国农业大学 | 一种循环泵轴承故障诊断方法及系统 |
CN113011552B (zh) * | 2019-12-20 | 2023-07-18 | 中移(成都)信息通信科技有限公司 | 神经网络训练方法、装置、设备及介质 |
CN111368980B (zh) * | 2020-03-06 | 2023-11-07 | 京东科技控股股份有限公司 | 状态检测方法、装置、设备及存储介质 |
CN111813858B (zh) * | 2020-07-10 | 2022-06-24 | 电子科技大学 | 基于计算节点自组织分组的分布式神经网络混合同步训练方法 |
CN112530529B (zh) * | 2020-12-09 | 2024-01-26 | 合肥工业大学 | 一种气体浓度预测方法、系统、设备及其存储介质 |
CN113222140B (zh) * | 2021-05-10 | 2022-09-20 | 重庆邮电大学 | 一种基于c4.5算法和bp神经元的配电网故障辅助决策方法 |
CN114071525B (zh) * | 2021-11-10 | 2023-07-18 | 中国联合网络通信集团有限公司 | 基站优化次序确定方法、装置及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106249599A (zh) * | 2016-09-28 | 2016-12-21 | 河南理工大学 | 一种基于神经网络预测的网络化控制系统故障检测方法 |
CN107371175A (zh) * | 2017-08-17 | 2017-11-21 | 东南大学 | 一种使用协作预测的自组织网络故障检测方法 |
CN108199899A (zh) * | 2018-01-18 | 2018-06-22 | 山东英才学院 | 一种无线传感器网络故障检测方法、装置及系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI240216B (en) * | 2002-06-27 | 2005-09-21 | Ind Tech Res Inst | Pattern recognition method by reducing classification error |
-
2018
- 2018-05-11 CN CN201810449148.1A patent/CN108366386B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106249599A (zh) * | 2016-09-28 | 2016-12-21 | 河南理工大学 | 一种基于神经网络预测的网络化控制系统故障检测方法 |
CN107371175A (zh) * | 2017-08-17 | 2017-11-21 | 东南大学 | 一种使用协作预测的自组织网络故障检测方法 |
CN108199899A (zh) * | 2018-01-18 | 2018-06-22 | 山东英才学院 | 一种无线传感器网络故障检测方法、装置及系统 |
Non-Patent Citations (2)
Title |
---|
A SON Solution for Cell Outage Detection Using A Cooperative Prediction Approach;Yuting Wang 等;《Nanjing Regional Graduate Communication Conference》;20171231;全文 * |
基于无线传感器网络和线性神经网络的事件边界检测方法;吴鹏飞 等;《模式识别与人工智能》;20150526;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN108366386A (zh) | 2018-08-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108366386B (zh) | 一种使用神经网络实现无线网络故障检测的方法 | |
CN110703057B (zh) | 基于数据增强和神经网络的电力设备局部放电诊断方法 | |
CN105873105A (zh) | 一种基于网络体验质量的移动通信网异常检测和定位方法 | |
CN110536258A (zh) | 一种UASNs中基于孤立森林的信任模型 | |
CN108289285B (zh) | 一种海洋无线传感器网络丢失数据恢复与重构方法 | |
CN113379176A (zh) | 电信网络异常数据检测方法、装置、设备和可读存储介质 | |
TW202016805A (zh) | 基於自動學習的基地台異常之預測的系統與方法 | |
Wu et al. | Unsupervised deep transfer learning for fault diagnosis in fog radio access networks | |
Zhang et al. | Self-organizing cellular radio access network with deep learning | |
CN111865690B (zh) | 基于网络结构和时序的机会网络链路预测方法 | |
KR101565694B1 (ko) | 무선 센서 네트워크에서 인공벌군집 클러스터링 설계 방법 및 시스템 | |
WO2023093431A1 (zh) | 一种模型训练方法、装置、设备、存储介质和程序产品 | |
Wang et al. | A cooperative outage detection approach using an improved RBF neural network with genetic ABC algorithm | |
Randhawa et al. | DAHDA: dynamic adaptive hierarchical data aggregation for clustered wireless sensor networks | |
WO2023011371A1 (en) | Method and system for configuring a threshold value for a handover parameter of a wireless communication system | |
CN110807014A (zh) | 一种基于交叉验证的台区数据异常甄别方法和装置 | |
CN117376084A (zh) | 故障检测方法、电子设备及其介质 | |
EP3840453B1 (en) | Method for detecting anomalies in mobile telecommunication networks | |
Kassan et al. | A Hybrid machine learning based model for congestion prediction in mobile networks | |
Yu et al. | Analysis of distributed database access path prediction based on recurrent neural network in internet of things | |
Ming et al. | Ensemble learning based sleeping cell detection in cloud radio access networks | |
Vatan | Soft Computing based Clustering Protocols in IoT for Precision and Smart Agriculture: A Survey | |
Ruan et al. | An Intelligent Cell Outage Detection Method in Cellular Networks | |
Shu et al. | Link prediction based on 3D convolutional neural network | |
CN117527622B (zh) | 网络交换机的数据处理方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20210105 |