CN108696379A - 基于集成学习和smote的蜂窝网络故障诊断系统 - Google Patents

基于集成学习和smote的蜂窝网络故障诊断系统 Download PDF

Info

Publication number
CN108696379A
CN108696379A CN201710234790.3A CN201710234790A CN108696379A CN 108696379 A CN108696379 A CN 108696379A CN 201710234790 A CN201710234790 A CN 201710234790A CN 108696379 A CN108696379 A CN 108696379A
Authority
CN
China
Prior art keywords
failure
fault diagnosis
smote
cellular network
subset
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.)
Pending
Application number
CN201710234790.3A
Other languages
English (en)
Inventor
钱红燕
孙梦云
朱琨
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing University of Aeronautics and Astronautics
Original Assignee
Nanjing University of Aeronautics and Astronautics
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nanjing University of Aeronautics and Astronautics filed Critical Nanjing University of Aeronautics and Astronautics
Priority to CN201710234790.3A priority Critical patent/CN108696379A/zh
Publication of CN108696379A publication Critical patent/CN108696379A/zh
Pending legal-status Critical Current

Links

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/06—Management of faults, events, alarms or notifications
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines

Abstract

本发明公开了一种在蜂窝网络下，当网络出现故障时，如何根据已有的网络参数信息，快速地对出现的故障进行诊断，找到出错原因的方法。本发明是在网络出现故障，并且已经被探测到的情况下进行诊断。本发明通过对已有历史故障参数数据集进行分析，使用基于AdaBoost的集成学习方法训练得到一个稳定的故障诊断系统，并以此系统为依据，将获取到的未知故障原因的故障用例作为该系统的输入，系统根据故障用例的相关参数对故障进行分类，分类的结果即是故障出现的病因，以此达到故障诊断的目的。此外，系统还使用SMOTE(Synthetic minority over‑sampling technique)对训练样本进行过采样，以提高对故障用例的诊断精度。

Description

基于集成学习和SMOTE的蜂窝网络故障诊断系统
技术领域
本发明公开了一种在蜂窝网络下，当网络出现故障时，如何根据已有的网络参数信息，快速地对出现的故障进行诊断，找到出错原因的方法。用于在蜂窝网络出现故障时快速找到故障原因，为故障恢复提供参考。属于蜂窝网络故障诊断领域。
背景技术
近年来，一些对带宽要求较高的应用的激增，例如视频流和多媒体文件共享，对未来的无线蜂窝系统中的用户行为将会产生巨大影响，特别是随着无数智能于持设备的出现，用户对带宽的需求正在发生空前的增长。用户行为体现的这一趋势，给蜂窝系统的容量需求、服务质量和能源效率带来巨大压力。此外，随着各种无线接入技术的应用，例如GSM、UMTS、LTE等，多种网络结构的并存，例如宏蜂窝、毫微蜂窝以及微微蜂窝，未来的网络将会变得越来越复杂，呈现出明显的异构性。一方面，由于各种技术、服务数量、蜂窝类型的增长，网络的部署和运营变得越来越复杂；另一方面，用户不愿意为改善的网络服务付以相应比例的费用。所以，网路运营商必须面临提供高质量服务的同时减少CAPEX(capitalexpenditure，资本费用)和OPEX(operational expenditure，运营费用)的挑战。
SON(self-organization network)通过自动化网络各阶段的功能最终达到网络自我管理的目的，减少了人工对网络的干预，降低了网咯的资本费用和运营费用。最终能够在提高网络覆盖，网络容量和服务质量的同时降低投入。总的来说，自组织是未来无线蜂窝网络中唯一能够以高性价比的方式达到最佳性能的方法，因此LTE标准化组织不再把自组织仅仅作为未来无线网络的可选特征，而是作为必然条件。自组织网络按功能可以分为三大块：自配置、自优化以及自治愈。自配置是指在新建网络或新增网络设备后，能够实现设备从预运行状态通过自动配置进入正常运行状态，包括对网络设备的即插即用。自配置之后网络进行运行状态，自优化和自治愈功能开始执行，这两个功能都是以网络的测量信息数据的监测分析为基础的。自优化功能根据测量的数据，对网络从覆盖、容最、干扰、资源分配等角度进行优化。自治愈技术首先是能够快速准确的检测网络中的故障，然后能够自动迅速的对网络中的故障进行恢复，确保受网络故障影响的用户能够进行连续高质量的通信。故障主要是指网络中出现影响系统所提供服务、功能、及性能的情况。例如：掉线、访问失败、拥塞等。故障可能是由多种原因造成的，例如收发失序、干扰(恶意、非恶意)、错误参数设置、以及入侵等。
故障诊断作为自治愈的核心功能，其研究难点主要有三个：一是在成千上万的KPI值和告警中找出和故障识别相关的部分；二是故障的原因和KPI值没有直接必然的联系，对于同一故障原因不同蜂窝或者同一蜂窝不同时间的KPI值不尽相同。虽然很多现有技术应用于故障诊断，但是效果并不尽如人意。
发明内容
本发明主要解决蜂窝网络中，通过网络参数对网络故障进行诊断的问题，主要包括以下内容：
1)SMOTE过采样。蜂窝网络的故障诊断是在蜂窝网络的故障探测之后进行，故障探测负责在网络中根据网络参数等信息探测性能严重下降或者出现故障的蜂窝，而故障探测的结果不可避免地会出现错误，即将正常运行的蜂窝探测为故障蜂窝。所以，为了提高真个自治愈系统的鲁棒性和可用性，本发明设计的故障诊断系统不仅能够诊断出故障蜂窝的病因，也能够诊断出该蜂窝是否是正常蜂窝，从而不会导致后续的恢复措施错误地用于正常蜂窝。故障诊断的目的是找出病因，以便在后续的故障恢复步骤中采取有诊断的措施，所以故障诊断的实质就是进行分类，将存在故障的蜂窝划分为不同的类，将正常蜂窝分到正常类中去。因此，在包含正常数据和故障数据的训练集上训练分类模型为系统设计的重点。传统的分类算法的设计都是以平衡的训练数据集为基础，而在本系统中，由于故障在蜂窝网络中很少发生，而且相关技术人员在解决的故障后很少对相关情况进行记录，所以历史故障数据很难获取，这就导致了在训练集中的正常训练数据远远多于故障数据，数据集是不平衡的。在不平衡的数据集上训练分类模型，会导致分类模型偏向于大多数类的分类，而对少数类的分类不是那么准确，而少数类正是故障诊断关注的故障类。在蜂窝网络的故障诊断中，对正常蜂窝的误诊只需要二次确认就可以消除误诊带来的影响，而对收障蜂窝的误诊会导致故障难以恢复，持续对蜂窝造成影响，最终导致用户体验和网络容量的降低，其误诊代价远远超过前者。所以，为了获得更高的系统精度和较低的误诊代价，本发明将SMOTE过采样技术用于训练数据集，大大提高了诊断精度。
2)训练分类模型。故障诊断的实质是故障分类，因此，为了取得较为精确的故障诊断结果，首先要训练一个较好的分类模型。在机器学习领域，很多传统的分类方法被用来进行故障诊断，如支持向量机SVM(Support Vector Machine)、决策树(Decision Tree)、K-近邻(K-Nearest-Neighbor)等等。集成学习的思路是在对新的实例进行分类的时候，把若干个单个分类器集成起来，通过对多个分类器的分类结果进行某种组合来决定最终的分类，以取得比单个分类器更好的性能。如果把单个分类器比作一个决策者的话，集成学习的方法就相当于多个决策者共同进行一项决策。以本发明的系统为例，集成学习的模型如图2所示。
3)对未知故障进行诊断。系统设计的最终目的就是用来进行故障诊断，在分类模型训练完成后，就可以将未知病因的故障KPI向量作为分类模型的输入，而分类模型的输出便作为故障诊断的结果，以此达到收障诊断的目的。因为本发明的故障系统基于集成学习方法，所以，对于每一个输入的KPI向量，每个分类器都要进行诊断，最终的诊断结果是对所有分类器结果的整合。
附图说明
图1为本发明提出的系统结构图；
图2为集成学习模型图；
图3位SMOTE过采样示意图。
具体实施方式
以下结合附图和具体实例对本发明做具体的介绍。
本发明通过对已有历史故障参数数据集进行分析，使用基于AdaBoost的集成学习方法训练得到一个稳定的故障诊断系统，并以此系统为依据，将获取到的未知故障原因的故障用例作为该系统的输入，系统根据故障用例的相关参数对故障进行分类，分类的结果即是故障出现的病因，以此达到故障诊断的目的。良好的分类效果使得故障诊断的结果更加精确。最后，本发明的设计保证了整个机制的真实性。具体实施过程如下：
步骤1：SMOTE过采样
SMOTE过采样技术是一种对随机过采样的改进技术，通过人工合成两个相邻数据的方法来产生新的样本数据，相邻数据通过K-近邻方法选出。例如，对于数据样本Xi，通过K-近邻算法选出最为相近的K个邻居数据样本，从K个邻居中随机选择一个邻居Xj，计算Xi和Xj之间的差值，然后通过以下公式获得新的样本数据
Xn＝Xi+rand(0，1)*(Xi-Xj)
步骤2：分类模型训练
AdaBoost是一种迭代算法，其核心思想是针对同一个训练集训练不同的分类器(弱分类器)，然后把这些弱分类器集合起来，构成一个更强的最终分类器(强分类器)。其算法本身是通过改变数据分布来实现的，它根据每次训练集之中每个样本的分类是否正确，以及上次的总体分类的准确率，来确定每个样本的权值。将修改过权值的新数据集送给下层分类器进行训练，最后将每次训练得到的分类器最后融合起来，作为最后的决策分类器。使用AdaBoost分类器可以排除一些不必要的训练数据特征，并放在关键的训练数器上面。本发明中使用的弱分类器是单层决策树，即决策树桩，实际上是根据一个阈值进行判断，同时确定大于阈值和小于阈值的情况下分别属于哪一类。显然，决策树桩是一个二分类算法，而故障诊断系统要完成的是多分类任务，所以我们需要将二分类算法扩展到多分类中，算法的具体过程如下
对于经SMOTE过采样的训练集，按照所属类别数抽取出两两组合的子集，该子集中只有两类样本并且包含着两类所有的样本，排列组合后得到M＝n*(n-1)/2(n为类别数)个子集，对于每个子集，分别应用AdaBoost算法训练分类模型。
首先，对子集中的每个样本赋予一个初始权值D0＝(w1，w2，…，wm)(m为子集中样本数)；
其次，以该子集和对应的权重向量为基础训练弱分类器，并计算该弱分类器的错误率
同时，定义
如果某个样本在本次训练的弱分类器重中被正确划分，其权值更新为
如果某个样本在本次训练的弱分类器重中被错误划分，其权值更新为
其中，Zt为标准化因子，t为当前迭代次数，i对应第i个子集。上述过程重复执行，直至迭代次数达到要求。在经过T次迭代后，会得到一个M行T列弱分类器矩阵
其中，hij代表在第i个子集上进行第j次迭代训练得到的基分类器。
步骤3：对未知故障进行诊断
在训练完成所有及分类模型后，对于未知故障原因的用例，便可以将其作为分类器型的输入，输出的结果即为故障诊断的结果。对于输入的参数向量，每个基分类器的诊断结果如下
矩阵中每行的诊断结果通过以下组合方式获得
最终诊断的结果以多每行数投票的方式决定。

Claims (5)

1.基于集成学习和SMOTE的蜂窝网络故障诊断系统，其特征在于：
1)本系统是AdaBoost在蜂窝网络故障诊断领域的首次应用；
2)本系统是SMOTE首次用来处理蜂窝网络环境下的不平衡数据集；
3)AdaBoost集成学习方法以决策树桩作为基分类器；
4)将二分类算法扩展到多分类中。
2.如权利要求1所述的基于集成学习和SMOTE的蜂窝网络故障诊断系统，其特征在于本系统是AdaBoost集成学习方法在蜂窝网络故障诊断领域的首次应用，近几年提出了许多蜂窝网络的故障诊断方法，包括贝叶斯网络、模糊算法、遗传算法等，但是利用AdaBoost集成学习方法进行故障诊断还是首次提出，本系统通过对已有历史故障参数数据集进行分析，使用AdaBoost集成学习方法训练得到一个稳定的故障诊断系统，并以此系统为依据，将获取到的未知故障原因的故障用例作为该系统的输入，系统根据故障用例的相关参数对故障进行分类，分类的结果即是故障出现的病因，以此达到故障诊断的目的。
3.如权利要求1所述的基基于集成学习和SMOTE的蜂窝网络故障诊断系统，其特征在于首次采用SMOTE处理不平衡数据集，有效的提高了故障诊断的精度，降低了误诊的代价。对于数据样本Xi，通过K-近邻算法选出最为相近的K个邻居数据样本，从K个邻居中随机选择个邻居Xi，计算Xi和Xj之间的差值，然后通过以下公式获得新的样本数据
Xn＝Xi+rand(0，1)*(Xi-Xj)
4.如权利要求1所述的基于集成学习和SMOTE的蜂窝网络故障诊断系统，其特征在于AdaBoost集成学习方法以决策树桩作为基分类器。对于经SMOTE过采样的训练集，按照所属类别数抽取出两两组合的子集，该子集中只有两类样本并且包含着两类所有的样本，排列组合后得到M＝n*(n-1)/2(n为类别数)个子集，对于每个子集，分别应用AdaBoost算法训练分类模型。
首先，对子集中的每个样本赋予一个初始权值D0＝(w1，w2，...，wm)(m为子集中样本数)；
其次，以该子集和对应的权重向量为基础训练弱分类器，并计算该弱分类器的错误率
同时，定义
如果某个样本在本次训练的弱分类器重中被正确划分，其权值更新为
如果某个样本在本次训练的弱分类器重中被错误划分，其权值更新为
其中，为标准化因子，t为当前迭代次数，i对应第i个子集。上述过程重复执行，直至迭代次数达到要求。在经过T次迭代后，会得到一个M行T列弱分类器矩阵
其中，代表在第i个子集上进行第j次迭代训练得到的基分类器。
5.如权利要求1所述的基于集成学习和SMOTE的蜂窝网络故障诊断系统，其特征在于将原本的二分类算法扩展到多分类中，对训练得到的二分类模型以投票的方式进行整合，达到多分类的目的，用投票法将n*(n-1)/2个分类器进行整合，得票最多的类为输入向量所属的类，从而将该向量对应的用例诊断为该类病因。
CN201710234790.3A 2017-04-07 2017-04-07 基于集成学习和smote的蜂窝网络故障诊断系统 Pending CN108696379A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710234790.3A CN108696379A (zh) 2017-04-07 2017-04-07 基于集成学习和smote的蜂窝网络故障诊断系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710234790.3A CN108696379A (zh) 2017-04-07 2017-04-07 基于集成学习和smote的蜂窝网络故障诊断系统

Publications (1)

Publication Number Publication Date
CN108696379A true CN108696379A (zh) 2018-10-23

Family

ID=63842526

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710234790.3A Pending CN108696379A (zh) 2017-04-07 2017-04-07 基于集成学习和smote的蜂窝网络故障诊断系统

Country Status (1)

Country Link
CN (1) CN108696379A (zh)

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109560970A (zh) * 2018-12-24 2019-04-02 大唐软件技术股份有限公司 一种网络故障愈合方法、装置以及系统
CN109766921A (zh) * 2018-12-19 2019-05-17 合肥工业大学 一种基于深度领域自适应的振动数据故障分类方法
CN110139315A (zh) * 2019-04-26 2019-08-16 东南大学 一种基于自我学习的无线网络故障检测方法
CN110572382A (zh) * 2019-09-02 2019-12-13 西安电子科技大学 基于smote算法和集成学习的恶意流量检测方法
CN110968075A (zh) * 2019-12-13 2020-04-07 南京航空航天大学 一种基于主动学习自组织蜂窝网络的故障诊断方法及系统
CN111259959A (zh) * 2020-01-16 2020-06-09 山东超越数控电子股份有限公司 一种航天飞行控制器故障状态识别方法，设备及可读存储介质
CN111507504A (zh) * 2020-03-18 2020-08-07 中国南方电网有限责任公司 基于数据重采样的Adaboost集成学习电网故障诊断系统及方法
CN111563411A (zh) * 2020-03-30 2020-08-21 江南大学 一种利用优化的AdaBoost加权方式和弱分类器对心电信号分类的方法
CN111884860A (zh) * 2020-07-31 2020-11-03 深圳市信锐网科技术有限公司 一种网络故障风险检测方法、装置、设备及可读存储介质
CN112748330A (zh) * 2020-12-24 2021-05-04 国网江苏省电力有限公司电力科学研究院 基于分布式集成神经网络的高压断路器操作机构故障诊断方法及装置
CN112966705A (zh) * 2020-11-24 2021-06-15 大禹节水集团股份有限公司 一种基于adaboost对农业灌溉滴灌头质量的在线识别方法
CN113379135A (zh) * 2021-06-18 2021-09-10 浙江大学 基于云边协同计算的智能生产线产品质量低延迟集成预测方法和系统
CN116499748A (zh) * 2023-06-27 2023-07-28 昆明理工大学 基于改进smote和分类器的轴承故障诊断方法、系统
CN117092446A (zh) * 2023-10-20 2023-11-21 国网山东省电力公司嘉祥县供电公司 一种电力输电线路故障检测方法及系统

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104052612A (zh) * 2013-03-13 2014-09-17 中国移动通信集团广东有限公司 一种电信业务的故障识别与定位的方法及系统

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104052612A (zh) * 2013-03-13 2014-09-17 中国移动通信集团广东有限公司 一种电信业务的故障识别与定位的方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
侯小丽等: "基于支持向量机的多目标分类和识别", 《火力与指挥控制》 *
王灿伟: "类别不平衡数据的集成分类研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 *

Cited By (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109766921A (zh) * 2018-12-19 2019-05-17 合肥工业大学 一种基于深度领域自适应的振动数据故障分类方法
CN109560970A (zh) * 2018-12-24 2019-04-02 大唐软件技术股份有限公司 一种网络故障愈合方法、装置以及系统
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
CN110139315A (zh) * 2019-04-26 2019-08-16 东南大学 一种基于自我学习的无线网络故障检测方法
CN110572382A (zh) * 2019-09-02 2019-12-13 西安电子科技大学 基于smote算法和集成学习的恶意流量检测方法
CN110572382B (zh) * 2019-09-02 2021-05-18 西安电子科技大学 基于smote算法和集成学习的恶意流量检测方法
CN110968075A (zh) * 2019-12-13 2020-04-07 南京航空航天大学 一种基于主动学习自组织蜂窝网络的故障诊断方法及系统
CN111259959A (zh) * 2020-01-16 2020-06-09 山东超越数控电子股份有限公司 一种航天飞行控制器故障状态识别方法，设备及可读存储介质
CN111507504A (zh) * 2020-03-18 2020-08-07 中国南方电网有限责任公司 基于数据重采样的Adaboost集成学习电网故障诊断系统及方法
CN111563411A (zh) * 2020-03-30 2020-08-21 江南大学 一种利用优化的AdaBoost加权方式和弱分类器对心电信号分类的方法
CN111563411B (zh) * 2020-03-30 2023-08-29 江南大学 利用AdaBoost和弱分类器的心电信号分类方法
CN111884860A (zh) * 2020-07-31 2020-11-03 深圳市信锐网科技术有限公司 一种网络故障风险检测方法、装置、设备及可读存储介质
CN112966705A (zh) * 2020-11-24 2021-06-15 大禹节水集团股份有限公司 一种基于adaboost对农业灌溉滴灌头质量的在线识别方法
CN112748330A (zh) * 2020-12-24 2021-05-04 国网江苏省电力有限公司电力科学研究院 基于分布式集成神经网络的高压断路器操作机构故障诊断方法及装置
CN113379135A (zh) * 2021-06-18 2021-09-10 浙江大学 基于云边协同计算的智能生产线产品质量低延迟集成预测方法和系统
CN116499748A (zh) * 2023-06-27 2023-07-28 昆明理工大学 基于改进smote和分类器的轴承故障诊断方法、系统
CN116499748B (zh) * 2023-06-27 2023-08-29 昆明理工大学 基于改进smote和分类器的轴承故障诊断方法、系统
CN117092446A (zh) * 2023-10-20 2023-11-21 国网山东省电力公司嘉祥县供电公司 一种电力输电线路故障检测方法及系统

Similar Documents

Publication Publication Date Title
CN108696379A (zh) 基于集成学习和smote的蜂窝网络故障诊断系统
CN107370617A (zh) 基于svm的蜂窝网络故障诊断系统
US7930122B2 (en) Evaluating anomaly for one-class classifiers in machine condition monitoring
US20040117226A1 (en) Method for configuring a network by defining clusters
CN112039687A (zh) 一种面向小样本特征的基于改进生成对抗网络的故障诊断方法
CN105577440B (zh) 一种网络故障时间定位方法和分析设备
CN112153000A (zh) 网络流量异常的检测方法、装置、电子装置和存储介质
CN112243249B (zh) 5g nsa组网下lte新入网锚点小区参数配置方法和装置
Ali-Tolppa et al. Self-healing and resilience in future 5G cognitive autonomous networks
CN106628097A (zh) 一种基于改进径向基神经网络的船舶设备故障诊断方法
CN109298993A (zh) 一种检测故障的方法、装置及计算机可读存储介质
CN105871879A (zh) 网元异常行为自动检测方法及装置
Wang et al. An ensemble learning approach for fault diagnosis in self-organizing heterogeneous networks
CN109640335B (zh) 基于卷积神经网络的无线传感器故障诊断方法
Sun et al. Ensemble learning and SMOTE based fault diagnosis system in self-organizing cellular networks
CN113709779A (zh) 一种蜂窝网络故障诊断方法
Wu et al. Unsupervised deep transfer learning for fault diagnosis in fog radio access networks
Chernogorov et al. N-gram analysis for sleeping cell detection in LTE networks
Zhang et al. Detection of sleeping cells in self-organizing cellular networks: An adversarial auto-encoder method
Palacios et al. Combination of multiple diagnosis systems in self-healing networks
Palacios et al. Unsupervised technique for automatic selection of performance indicators in self-organizing networks
CN104168599B (zh) 基于时间加权k-近邻法的无线传感器网络故障诊断方法
Liu et al. KQis-driven QoE anomaly detection and root cause analysis in cellular networks
CN112213103A (zh) 轨道交通机车车辆轴承的故障诊断方法、装置、系统及介质
CN115734274A (zh) 一种基于深度学习和知识图谱的蜂窝网络故障诊断方法

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
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20181023