CN110968075B - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN110968075B CN110968075B CN201911280120.0A CN201911280120A CN110968075B CN 110968075 B CN110968075 B CN 110968075B CN 201911280120 A CN201911280120 A CN 201911280120A CN 110968075 B CN110968075 B CN 110968075B
- Authority
- CN
- China
- Prior art keywords
- kpi data
- parabolic antenna
- fault
- determining
- model
- 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.)
- Active
Links
- 238000003745 diagnosis Methods 0.000 title claims abstract description 45
- 238000000034 method Methods 0.000 title claims abstract description 30
- 230000001413 cellular effect Effects 0.000 title claims abstract description 22
- 238000012549 training Methods 0.000 claims abstract description 72
- 238000004088 simulation Methods 0.000 claims abstract description 33
- 238000012360 testing method Methods 0.000 claims abstract description 28
- 230000005855 radiation Effects 0.000 claims description 11
- 238000009826 distribution Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 1
- 208000018910 keratinopathic ichthyosis Diseases 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
- G05B23/0245—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model based on a qualitative model, e.g. rule based; if-then decisions
- G05B23/0248—Causal models, e.g. fault tree; digraphs; qualitative physics
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Mobile Radio Communication Systems (AREA)
- Telephonic Communication Services (AREA)
Abstract
本发明提供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,所述方法包括:构建系统仿真平台;利用所述系统仿真平台仿真网络故障,获得多个关键性能指标KPI数据;从多个所述KPI数据中选取第一设定数量的所述KPI数据作为训练集,将剩余的所述KPI数据作为测试集;根据所述训练集确定学习引擎;利用所述测试集中各KPI数据进行验证,获得输出学习引擎,以使后续将所述待测KPI数据输入所述学习引擎中进行故障诊断。本发明减少了故障预测所需的带有故障原因的KPI数据的数量,而且还提高了故障预测的准确性。
Description
技术领域
本发明涉及故障诊断技术领域,特别是涉及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。
背景技术
过去十几年内,智能终端设备数量急剧增加,运营商为了提高网络容量、覆盖范围以及服务质量,大量部署小基站,这导致网络结构越来越复杂,配置和管理如此复杂的网络给运营商带来了巨大的挑战。为了降低运行商的资本支出和运营支出,3GPP引入了自组网。自组网的理念是让蜂窝网络可以自配置,自优化以及自治愈,蜂窝网络的故障诊断属于网络自治愈的一个重要环节。
目前对于蜂窝网络故障诊断主要采用的是机器学习的方式,通过基站侧记录的KPI以及相应的故障原因所形成的数据集来训练一个分类器模型,最后通过该分类器模型来完成故障诊断。采用这种方式有一个瓶颈,如果要获得一个诊断效果很好的分类器,就需要大量有故障原因的KPI数据作为训练样本。但是实际生活中有故障原因的KPI数据很少,因为故障诊断专家完成故障诊断之后,基本不会将具体的故障原因写入到基站记录的KPI数据中,因此有故障原因的KPI数据很少。此外,由于大多数情况下基站都是正常工作的,所以记录的KPI数据中大部分都是没有故障的,因此这个数据集是类别不平衡的,直接使用一个类别不平衡的数据集来训练分类器,在预测阶段,该分类器会偏向于预测为占比例较大的那一类,因此存在故障诊断准确率低的问题。
发明内容
基于此,本发明的目的是提供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,以提高故障诊断的准确率。
为实现上述目的,本发明提供了一种基于主动学习自组织蜂窝网络的故障诊断方法,所述方法包括:
步骤S1:构建系统仿真平台;
步骤S2:利用所述系统仿真平台仿真网络故障,获得多个关键性能指标KPI数据;
步骤S3:从多个所述KPI数据中选取第一设定数量的所述KPI数据作为训练集,将剩余的所述KPI数据作为测试集;
步骤S4:根据所述训练集确定学习引擎;
步骤S5:将所述测试集中各KPI数据分别输入所述学习引擎中,确定精确度;
步骤S6:判断所述精确度是否小于设定值;如果所述精确度大于或等于设定值,则输出学习引擎;如果所述精确度小于设定值,则返回“步骤S4”;
步骤S7:获取待测KPI数据;
步骤S8:将所述待测KPI数据输入所述学习引擎中进行故障诊断。
可选的,构建系统仿真平台,具体包括:
步骤S11:确定抛物形天线在水平方向上的增益模型;
步骤S12:确定所述抛物形天线在垂直方向上的增益模型;
步骤S13:根据所述抛物形天线在水平方向上的增益模型和在垂直方向上的增益模型确定抛物形天线模型;
步骤S14:基于所述抛物形天线模型和网络仿真器搭建所述系统仿真平台。
可选的,根据所述训练集确定学习引擎,具体包括:
步骤S41:根据所述训练集确定待标注故障原因的KPI数据,所述故障原因为所述网络故障中任意一种;
步骤S42:对待标注故障原因的KPI数据进行标注;
步骤S43:将已标注故障原因的KPI数据加入所述训练集;
步骤S44:利用所述训练集中带有故障原因的各KPI数据进行训练,获得学习引擎。
可选的,所述根据所述训练集确定待标注故障原因的KPI数据,具体包括:
步骤S411:将所述训练集中第二设定数量所述KPI数据对应的故障原因进行剔除;
步骤S412:将所述训练集中带有故障原因的各所述KPI数据分别输入分类回归树进行训练,分类回归树模型;
步骤S413:将所述训练集中无故障原因的各所述KPI数据分别输入分类回归树模型,确定各所述KPI数据对应不同故障原因的概率;
步骤S414:将各所述KPI数据对应不同故障原因的概率带入不确定度公式确定待标注故障原因的KPI数据。
可选的,所述不确定度公式为最大熵公式、最小置信度公式和最小间距公式中任意一种。
可选的,确定抛物形天线在水平方向上的增益模型,具体公式为:
可选的,确定所述抛物形天线在垂直方向上的增益模型,具体公式为:
其中,θ为用户设备和基站天线之间在垂直平面的夹角;θetilt为基站天线的电子下倾角;θ3dB为垂直方向上的3dB的波束宽度;SLAv为辐射的垂直方向的最大衰减;AV(θ)为抛物形天线在垂直方向上的增益模型。
可选的,根据所述抛物形天线在水平方向上的增益模型和在垂直方向上的增益模型确定抛物形天线模型,具体公式为:
本发明还提供一种基于主动学习自组织蜂窝网络的故障诊断系统,所述系统包括:
构建模块,用于构建系统仿真平台;
仿真模块,用于利用所述系统仿真平台仿真网络故障,获得多个关键性能指标KPI数据;
集合确定模块,用于从多个所述KPI数据中选取第一设定数量的所述KPI数据作为训练集,将剩余的所述KPI数据作为测试集;
学习引擎确定模块,用于根据所述训练集确定学习引擎;
精确度确定模块,用于将所述测试集中各KPI数据分别输入所述学习引擎中,确定精确度;
判断模块,用于判断所述精确度是否小于设定值;如果所述精确度大于或等于设定值,则输出学习引擎;如果所述精确度小于设定值,则返回“学习引擎确定模块”;
获取模块,用于获取待测KPI数据;
故障诊断模块,用于将所述待测KPI数据输入所述学习引擎中进行故障诊断。
可选的,所述构建模块,具体包括:
水平增益模型确定单元,用于确定抛物形天线在水平方向上的增益模型;
垂直增益模型确定单元,用于确定所述抛物形天线在垂直方向上的增益模型;
抛物形天线模型确定单元,用于根据所述抛物形天线在水平方向上的增益模型和在垂直方向上的增益模型确定抛物形天线模型;
系统仿真平台确定单元,用于基于所述抛物形天线模型和网络仿真器搭建所述系统仿真平台。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明提供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,所述方法包括:构建系统仿真平台;利用所述系统仿真平台仿真网络故障,获得多个关键性能指标KPI数据;从多个所述KPI数据中选取第一设定数量的所述KPI数据作为训练集,将剩余的所述KPI数据作为测试集;根据所述训练集确定学习引擎;利用所述测试集中各KPI数据进行验证,获得输出学习引擎,以使后续将所述待测KPI数据输入所述学习引擎中进行故障诊断。本发明减少了故障预测所需的带有故障原因的KPI数据的数量,而且还提高了故障预测的准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例故障诊断方法流程图;
图2为本发明实施例故障诊断系统结构图;
图3为本发明实施例天线分布图;
图4为本发明实施例达到99%的精确度所需样本的数量对比图;
图5为本发明实施例50次选择之后得到的分类器性能对比图;
图6为本发明实施例50次选择之后得到的训练样本中故障原因的分布图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的目的是提供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,以提高故障诊断的准确率。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明实施例故障诊断方法流程图,如图1所示,本发明提供一种基于主动学习自组织蜂窝网络的故障诊断方法,所述方法包括:
步骤S1:构建系统仿真平台;
步骤S2:利用所述系统仿真平台仿真网络故障,获得多个关键性能指标(KeyPerformance Indicator,KPI)数据;
步骤S3:从多个所述KPI数据中选取第一设定数量的所述KPI数据作为训练集,将剩余的所述KPI数据作为测试集;
步骤S4:根据所述训练集确定学习引擎;
步骤S5:将所述测试集中各KPI数据分别输入所述学习引擎中,确定精确度;
步骤S6:判断所述精确度是否小于设定值;如果所述精确度大于或等于设定值,则输出学习引擎;如果所述精确度小于设定值,则返回“步骤S4”;
步骤S7:获取待测KPI数据;
步骤S8:将所述待测KPI数据输入所述学习引擎中进行故障诊断。
下面对各个步骤进行详细论述:
网络仿真器(Network Simulator 3,ns-3)是一个开源的基于离散时间的网络仿真器,它支持长期演进(Long Term Evolution,LTE)仿真,此外还能实现多种小区切换。但目前ns-3中采用的抛物形天线是2D的,而天线下倾角过大或过下又是LTE中一种常见的故障,为了仿真这个故障,本发明需要将2D的抛物形天线扩展成3D,具体基站天线下倾角如图3所示。
步骤S1:构建系统仿真平台,具体包括:
步骤S11:确定抛物形天线在水平方向上的增益模型,具体公式为:
步骤S12:确定所述抛物形天线在垂直方向上的增益模型,具体公式为:
其中,θ为用户设备和基站天线之间在垂直平面的夹角;θetilt为基站天线的电子下倾角;θ3dB为垂直方向上的3dB的波束宽度;SLAv为辐射的垂直方向的最大衰减;AV(θ)为抛物形天线在垂直方向上的增益模型。
步骤S13:根据所述抛物形天线在水平方向上的增益模型和在垂直方向上的增益模型确定抛物形天线模型,所述抛物形天线模型为3D抛物形天线模型,具体公式为:
步骤S14:基于所述抛物形天线模型和网络仿真器搭建所述系统仿真平台。
步骤S2:利用所述系统仿真平台仿真网络故障,获得多个关键性能指标KPI数据;所述网络故障包括天线下倾角过大、天线下倾角过小、覆盖空洞、切换过迟、内部系统干扰、基站发射功率过低和正常小区;所述KPI数据包括可维持性、切换成功率、参考信号接收功率、参考信号接收质量、信号与干扰加噪声比、吞吐量、用户与基站之间的距离和故障原因。
步骤S3:从多个所述KPI数据中选取第一设定数量的所述KPI数据作为训练集,将剩余的所述KPI数据作为测试集;所述第一设定数量是根据实际需求进行确定的。
将收集到的数据划分为训练集以及测试集,由于实际蜂窝网络中采集的KPI数据大部分都是没有故障原因的,所以为了模拟实际情况,本发明先将训练集中大部分样本的故障原因去掉,因此训练集中只有很少一部分样本是有故障原因(即故障原因)的,大量的数据都是没有故障原因的,测试集用于验证分类器的性能,所以所有的样本都是有故障原因的。所采集数据的网络故障及其分布如表1所示。
表1网络故障及其分布
网络故障 | 分布(%) |
天线下倾角过大 | 5.26 |
覆盖空洞 | 2.57 |
内部系统干扰 | 2.65 |
切换过迟 | 5.22 |
天线下倾角过小 | 5.35 |
基站发射功率过低 | 5.18 |
正常小区 | 73.77 |
本发明在训练的时候不断添加树,不断进行特征分裂来获得树结构,每次添加一棵树其实就是在学习一个新函数去拟合上次预测的残差。训练完成之后,便可获得分类回归树模型;在预测的时候,根据样本的特征,最终样本会落到每棵树的叶子节点从而得到一个分数,所有分数加起来就是样本的预测值,该预测值可以用于计算样本属于某个故障原因的概率,具体步骤如下:
步骤S41:根据所述训练集确定学习引擎,具体包括:
步骤S41:根据所述训练集确定待标注故障原因的KPI数据,所述故障原因为所述网络故障中任意一种,具体包括:
步骤S411:将所述训练集中第二设定数量所述KPI数据对应的故障原因进行剔除。
步骤S412:将所述训练集中带有故障原因的各所述KPI数据分别输入分类回归树进行训练,分类回归树模型。
步骤S413:将所述训练集中无故障原因的各所述KPI数据分别输入分类回归树模型,确定各所述KPI数据对应不同故障原因的概率。
步骤S414:将各所述KPI数据对应不同故障原因的概率带入不确定度公式确定待标注故障原因的KPI数据;所述不确定度公式为最大熵公式、最小置信度公式和最小间距公式中任意一种。
主动学习可以通过少量有故障原因的数据和大量无故障原因的数据学习得到一个性能很好的学习引擎,这些无故障原因的数据构成了无故障原因样本池,在池中的每一个样本都有可能被选择出来交给专家进行标注。因此,为了可以获得性能好的学习引擎的同时显著减少所需带故障原因样本的数量,因此本发公开了三种公式来确定待标注故障原因的KPI数据:最大熵(maximum entropy,ME),最小置信度(least confident,LC)以及最小间距公式(smallest margin,SM)。
1、最大熵公式:在信息论中,熵通常用于代表编码一个分布所需的信息量,在机器学习中,它通常被用于表示不确定度,熵越大则包含的信息量越大,同时分类器也越容易分类错,具体公式为:
其中,M表示故障原因的总个数,cj表示第j个故障原因,xi表示第i个KPI数据,i为正整数,1≤i≤N,N为训练集中无故障原因的KPI数据的总个数,pθ(cj|xi)表示第i个KPI数据对应第j个故障原因的概率,θ表示分类回归树模型中的参数,为最大熵;选取最大熵对应的KPI数据作为待标注故障原因的KPI数据。
2、最小置信度公式:由于故障诊断是一个多分类问题,相比于最大熵,最
小置信度是一个更加简单的计算方式,它可以表示为:
其中,cj表示第j个故障原因,xi表示第i个KPI数据,i为正整数,1≤i≤N,N为训练集中无故障原因的KPI数据的总个数,pθ(cj|xi)表示第i个KPI数据对应第j个故障原因的概率,c*为第i个KPI数据最有可能的故障原因,pθ(c*|xi)表示第i个KPI数据对应最有可能的故障原因的概率,θ表示分类回归树模型中的参数,为最小置信度;选取最小置信度对应的KPI数据作为待标注故障原因的KPI数据。
3、最小间距公式:这种方法基于最小置信度,并且在它的基础上考虑了样本最有可能的两个故障原因及其相应的概率,具体公式为:
其中,和分别为第i个KPI数据最有可能的两个故障原因,和表示第i个KPI数据对应最有可能的两个故障原因的概率,为最小间距,选择出所有KPI数据中间距最小的那个KPI数据作为待标注故障原因的KPI数据。值越大,表明分类器将该KPI数据分类错误的概率越小,反之越大。
步骤S42:对待标注故障原因的KPI数据进行标注。
步骤S43:将已标注故障原因的KPI数据加入所述训练集。
步骤S44:利用所述训练集中带有故障原因的各KPI数据进行训练,获得学习引擎。
步骤S5:将所述测试集中各KPI数据分别输入所述学习引擎中,确定精确度,具体包括:
步骤S51:将所述测试集中各KPI数据分别输入所述学习引擎中,获得所述测试集中各KPI数据对应的预测故障原因。
步骤S52:根据所述预测故障原因与实际故障原因进行对比,确定故障原因被正确诊断的数量。
步骤S53:根据故障原因被正确诊断的数量以及测试集中KPI数据总量比值,确定精确度。
步骤S6:判断所述精确度是否小于设定值;如果所述精确度大于或等于设定值,则输出学习引擎;如果所述精确度小于设定值,则返回“步骤S413”。
图2为本发明实施例故障诊断系统结构图,如图2所示,本发明还提供基于主动学习自组织蜂窝网络的故障诊断系统,所述系统包括:
构建模块1,用于构建系统仿真平台。
仿真模块2,用于利用所述系统仿真平台仿真网络故障,获得多个关键性能指标KPI数据。
集合确定模块3,用于从多个所述KPI数据中选取第一设定数量的所述KPI数据作为训练集,将剩余的所述KPI数据作为测试集。
学习引擎确定模块4,用于根据所述训练集确定学习引擎。
精确度确定模块5,用于将所述测试集中各KPI数据分别输入所述学习引擎中,确定精确度。
判断模块6,用于判断所述精确度是否小于设定值;如果所述精确度大于或等于设定值,则输出学习引擎;如果所述精确度小于设定值,则返回“学习引擎确定模块”。
获取模块7,用于获取待测KPI数据。
故障诊断模块8,用于将所述待测KPI数据输入所述学习引擎中进行故障诊断。
下面对各个模块进行详细论述:
作为一种实施方式,本发明所述构建模块1,具体包括:
水平增益模型确定单元,用于确定抛物形天线在水平方向上的增益模型。
垂直增益模型确定单元,用于确定所述抛物形天线在垂直方向上的增益模型。
抛物形天线模型确定单元,用于根据所述抛物形天线在水平方向上的增益模型和在垂直方向上的增益模型确定抛物形天线模型。
系统仿真平台确定单元,用于基于所述抛物形天线模型和网络仿真器搭建所述系统仿真平台。
作为一种实施方式,本发明学习引擎确定模块4,具体包括:
待标注故障原因的KPI数据确定单元,用于根据所述训练集确定待标注故障原因的KPI数据,所述故障原因为所述网络故障中任意一种,具体包括:
剔除子单元,用于将所述训练集中第二设定数量所述KPI数据对应的故障原因进行剔除。
训练子单元,用于将所述训练集中带有故障原因的各所述KPI数据分别输入分类回归树进行训练,分类回归树模型。
概率确定子单元,用于将所述训练集中无故障原因的各所述KPI数据分别输入分类回归树模型,确定各所述KPI数据对应不同故障原因的概率。
待标注故障原因的KPI数据确定子单元,用于将各所述KPI数据对应不同故障原因的概率带入不确定度公式确定待标注故障原因的KPI数据;所述不确定度公式为最大熵公式、最小置信度公式和最小间距公式中任意一种。
标注单元,用于标注对待标注故障原因的KPI数据进行标注。
训练集确定单元,用于将已标注故障原因的KPI数据加入所述训练集。
训练单元,用于利用所述训练集中带有故障原因的各KPI数据进行训练,获得学习引擎。
精确度确定模块5,具体包括:
预测故障原因确定单元,用于将所述测试集中各KPI数据分别输入所述学习引擎中,获得所述测试集中各KPI数据对应的预测故障原因。
正确诊断数量确定单元,用于根据所述预测故障原因与实际故障原因进行对比,确定故障原因被正确诊断的数量。
精确度确定单元,用于根据故障原因被正确诊断的数量以及测试集中KPI数据总量比值,确定精确度。
判断模块6,用于判断所述精确度是否小于设定值;如果所述精确度大于或等于设定值,则输出学习引擎;如果所述精确度小于设定值,则返回“概率确定子单元”。
实验验证
本发明做了两个实验来验证基于主动学习的自组织蜂窝网络的故障诊断方法是否有效,实现了一个非主动学习方式,本发明采用的是随机采样的方式(random sampling,RS)和利用不确定度公式来进行对比。
第一个实验中训练集和测试集的比例都是0.5,并且将主动学习的停止条件设置为精确度达到99%,实验结果如附图4所示,图4中(a)为不确定度采样确度所需样本的数量,(b)为随机采样确度所需样本的数量,实验结果表明采用主动学习的方式只需要67个有标签的样本,而非主动学习需要1347个样本,因此在达到预期性能的前提下,采用主动学习的选择策略可以显著减少所需带标签样本的数量。
第二个实验中,本发明将训练集的比例设置为0.3,测试集的比例为0.7,主动学习的停止条件为经过50次选择,最终的实验结果如图5所示,(a)为诊断错误率对比图,(b)为漏检率对比图,(c)为精确度对比图。实验结果表明本发明提出的基于主动学习的自组织蜂窝网络的故障诊断方法是有效的,采用主动学习得到的学习引擎分类器模型的精确度很高并且诊断错误率以及漏检率都很低。由于非主动学习和主动学习的学习引擎是一样的,那么造成性能差异的原因主要是输入的训练样本之间的分布不同,因此本发明统计了几种选择策略下训练样本中故障原因的分布,如附图6所示。从图6中可以看出,与非主动学习相比,经过50次选择之后,主动学习所选择出的训练样本中故障原因的分布更加均匀,因此得到的分类器模型效果更好,这说明了本发明提出的方法在类别不平衡的数据集中依然有效。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (6)
1.一种基于主动学习自组织蜂窝网络的故障诊断方法,其特征在于,所述方法包括:
步骤S1:构建系统仿真平台;
步骤S2:利用所述系统仿真平台仿真网络故障,获得多个关键性能指标KPI数据;
步骤S3:从多个所述KPI数据中选取第一设定数量的所述KPI数据作为训练集,将剩余的所述KPI数据作为测试集;
步骤S4:根据所述训练集确定学习引擎;
步骤S5:将所述测试集中各KPI数据分别输入所述学习引擎中,确定精确度;
步骤S6:判断所述精确度是否小于设定值;如果所述精确度大于或等于设定值,则输出学习引擎;如果所述精确度小于设定值,则返回“步骤S4”;
步骤S7:获取待测KPI数据;
步骤S8:将所述待测KPI数据输入所述学习引擎中进行故障诊断;
步骤S1:构建系统仿真平台,具体包括:
步骤S11:确定抛物形天线在水平方向上的增益模型,具体公式为:
步骤S12:确定所述抛物形天线在垂直方向上的增益模型,具体公式为:
其中,θ为用户设备和基站天线之间在垂直平面的夹角;θetilt为基站天线的电子下倾角;θ3dB为垂直方向上的3dB的波束宽度;SLAv为辐射的垂直方向的最大衰减;AV(θ)为抛物形天线在垂直方向上的增益模型;
步骤S13:根据所述抛物形天线在水平方向上的增益模型和在垂直方向上的增益模型确定抛物形天线模型;
步骤S14:基于所述抛物形天线模型和网络仿真器搭建所述系统仿真平台。
2.根据权利要求1所述的基于主动学习自组织蜂窝网络的故障诊断方法,其特征在于,根据所述训练集确定学习引擎,具体包括:
步骤S41:根据所述训练集确定待标注故障原因的KPI数据,所述故障原因为所述网络故障中任意一种;
步骤S42:对待标注故障原因的KPI数据进行标注;
步骤S43:将已标注故障原因的KPI数据加入所述训练集;
步骤S44:利用所述训练集中带有故障原因的各KPI数据进行训练,获得学习引擎。
3.根据权利要求2所述的基于主动学习自组织蜂窝网络的故障诊断方法,其特征在于,所述根据所述训练集确定待标注故障原因的KPI数据,具体包括:
步骤S411:将所述训练集中第二设定数量所述KPI数据对应的故障原因进行剔除;
步骤S412:将所述训练集中带有故障原因的各所述KPI数据分别输入分类回归树进行训练,分类回归树模型;
步骤S413:将所述训练集中无故障原因的各所述KPI数据分别输入分类回归树模型,确定各所述KPI数据对应不同故障原因的概率;
步骤S414:将各所述KPI数据对应不同故障原因的概率带入不确定度公式确定待标注故障原因的KPI数据。
4.根据权利要求3所述的基于主动学习自组织蜂窝网络的故障诊断方法,其特征在于,所述不确定度公式为最大熵公式、最小置信度公式和最小间距公式中任意一种。
6.一种基于主动学习自组织蜂窝网络的故障诊断系统,其特征在于,所述系统包括:
构建模块,用于构建系统仿真平台;
仿真模块,用于利用所述系统仿真平台仿真网络故障,获得多个关键性能指标KPI数据;
集合确定模块,用于从多个所述KPI数据中选取第一设定数量的所述KPI数据作为训练集,将剩余的所述KPI数据作为测试集;
学习引擎确定模块,用于根据所述训练集确定学习引擎;
精确度确定模块,用于将所述测试集中各KPI数据分别输入所述学习引擎中,确定精确度;
判断模块,用于判断所述精确度是否小于设定值;如果所述精确度大于或等于设定值,则输出学习引擎;如果所述精确度小于设定值,则返回“学习引擎确定模块”;
获取模块,用于获取待测KPI数据;
故障诊断模块,用于将所述待测KPI数据输入所述学习引擎中进行故障诊断;
所述构建模块,具体包括:
水平增益模型确定单元,用于确定抛物形天线在水平方向上的增益模型,具体公式为:
垂直增益模型确定单元,用于确定所述抛物形天线在垂直方向上的增益模型,具体公式为:
其中,θ为用户设备和基站天线之间在垂直平面的夹角;θetilt为基站天线的电子下倾角;θ3dB为垂直方向上的3dB的波束宽度;SLAv为辐射的垂直方向的最大衰减;AV(θ)为抛物形天线在垂直方向上的增益模型;
抛物形天线模型确定单元,用于根据所述抛物形天线在水平方向上的增益模型和在垂直方向上的增益模型确定抛物形天线模型;
系统仿真平台确定单元,用于基于所述抛物形天线模型和网络仿真器搭建所述系统仿真平台。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911280120.0A CN110968075B (zh) | 2019-12-13 | 2019-12-13 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911280120.0A CN110968075B (zh) | 2019-12-13 | 2019-12-13 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110968075A CN110968075A (zh) | 2020-04-07 |
CN110968075B true CN110968075B (zh) | 2022-05-06 |
Family
ID=70034073
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911280120.0A Active CN110968075B (zh) | 2019-12-13 | 2019-12-13 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110968075B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114630356B (zh) * | 2020-12-11 | 2024-02-27 | 中移(成都)信息通信科技有限公司 | 一种基站确定方法、装置、设备及存储介质 |
CN112929849B (zh) * | 2021-01-27 | 2022-03-01 | 南京航空航天大学 | 一种基于强化学习的可靠车载边缘计算卸载方法 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102546243A (zh) * | 2011-12-23 | 2012-07-04 | 广东电网公司电力科学研究院 | 基于SP Guru的电力调度数据网故障仿真分析方法 |
CN102749538B (zh) * | 2012-06-26 | 2014-07-16 | 中国舰船研究设计中心 | 大功率发射源主波束照射下抛物面天线耦合电平数值仿真的校模方法 |
CN105205231B (zh) * | 2015-09-06 | 2018-11-09 | 中国电力科学研究院 | 一种基于dcom的配电网数字仿真系统 |
CN107370617A (zh) * | 2017-03-10 | 2017-11-21 | 南京航空航天大学 | 基于svm的蜂窝网络故障诊断系统 |
CN108696379A (zh) * | 2017-04-07 | 2018-10-23 | 南京航空航天大学 | 基于集成学习和smote的蜂窝网络故障诊断系统 |
CN109284551B (zh) * | 2018-09-12 | 2023-12-08 | 天津工业大学 | 一种基于神经网络空间映射的超高频rfid天线增益建模方法 |
CN109193155B (zh) * | 2018-09-12 | 2020-12-11 | 哈尔滨工业大学 | 基于siw技术高增益定向印刷型抛物面天线 |
-
2019
- 2019-12-13 CN CN201911280120.0A patent/CN110968075B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN110968075A (zh) | 2020-04-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108513251B (zh) | 一种基于mr数据的定位方法及系统 | |
CN110770761B (zh) | 深度学习系统和方法以及使用深度学习的无线网络优化 | |
US10375585B2 (en) | System and method for deep learning and wireless network optimization using deep learning | |
CN106804046A (zh) | 基于测量报告的移动台定位方法及装置 | |
CN112054943B (zh) | 一种移动网络基站流量预测方法 | |
CN112512069B (zh) | 基于信道波束图样的网络智能优化方法及装置 | |
CN110968075B (zh) | 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 | |
CN112243249A (zh) | 5g nsa组网下lte新入网锚点小区参数配置方法和装置 | |
CN108243435B (zh) | 一种lte小区场景划分中的参数优化方法及装置 | |
US11716240B2 (en) | Method, device and computer program product for anomaly detection | |
CN103686818A (zh) | 一种仿真测试方法及设备 | |
CN114268981A (zh) | 网络故障检测与诊断方法及系统 | |
CN117082547A (zh) | 小区异常检测方法、装置、电子设备和可读存储介质 | |
CN103686895A (zh) | 切换控制方法、无线网络控制器和接入节点 | |
Kaada et al. | Resilience analysis and quantification method for 5G-Radio Access Networks | |
CN112243242B (zh) | 大规模天线波束配置方法和装置 | |
CN113891386B (zh) | 基站的隐性故障确定方法、装置、设备和可读存储介质 | |
EP4150861B1 (en) | Determining cell upgrade | |
CN114698016A (zh) | 一种质差小区网络故障检测方法及装置 | |
CN114745289A (zh) | 网络性能数据的预测方法、装置、存储介质及设备 | |
Rose et al. | Evolution from network planning to SON management using the simulator for mobile networks (SiMoNe) | |
Zhu et al. | Fault diagnosis of 5G networks based on digital twin model | |
CN103384374B (zh) | 一种语音业务质量的评估方法和设备 | |
CN110868732A (zh) | VoLTE接通无线失败的问题定位方法、系统和设备 | |
TWI752614B (zh) | 以人工智能決策之多電信終端系統及其測試方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |