CN115001941A - 一种通信网管故障的确定方法及装置 - Google Patents
一种通信网管故障的确定方法及装置 Download PDFInfo
- Publication number
- CN115001941A CN115001941A CN202210414371.9A CN202210414371A CN115001941A CN 115001941 A CN115001941 A CN 115001941A CN 202210414371 A CN202210414371 A CN 202210414371A CN 115001941 A CN115001941 A CN 115001941A
- Authority
- CN
- China
- Prior art keywords
- alarm data
- fault alarm
- sample
- sample fault
- target
- 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.)
- Granted
Links
Images
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
- H04L41/0631—Management of faults, events, alarms or notifications using root cause analysis; using analysis of correlation between notifications, alarms or events based on decision criteria, e.g. hierarchy, tree or time analysis
-
- 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
- H04L41/0604—Management of faults, events, alarms or notifications using filtering, e.g. reduction of information by using priority, element types, position or time
-
- 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
- H04L41/0677—Localisation of faults
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明公开了一种通信网管故障的确定方法及装置,该方法包括:获取样本故障告警数据集,样本故障告警数据集包括多个样本故障告警数据,通过预先确定出的分类算法识别样本故障告警数据集中每个样本故障数据的第一类别结果,将样本故障告警数据集输入预训练神经网络模型中进行分析,得到样本故障告警数据集中每个样本故障告警数据的第二类别结果,根据样本故障告警数据集中每个样本故障告警数据的第一类别结果与该样本故障告警数据的第二类别结果,确定故障识别模型,将目标告警数据输入至故障识别模型,得到目标告警数据的故障诊断结果。可见,实施本发明能够通过智能确定网络故障性,能够提高确定网络故障的效率及准确性。
Description
技术领域
本发明涉及通信技术领域,尤其涉及一种通信网管故障的确定方法及装置。
背景技术
在实际生活中,随着社会信息化的进程加快,通信网络规模也在不断扩大,设备智能化水平和网络复杂程度越来越高,网络对于人们工作及日常生活的重要性不言而喻。
目前,对于网络***的故障分析方法普遍采用人工集中式管理,通过工作人员进行任务分发、核查处理及问题维护,通过工作人员进行人工定位故障,需人工结合网络拓扑和网元设备的多个性能指标进行判断分析,还需派工作人员到现场进行排查分析找到故障点,这样不仅需要耗费大量的人力资源,还使确定网络故障的效率低下。可见,提供一种新的通信网管故障的确定方法以提高确定网络故障的效率显得尤为重要。
发明内容
本发明所要解决的技术问题在于,提供一种通信网管故障的确定方法及装置,能够通过智能确定网络故障性,能够提高确定网络故障的效率及准确性。
为了解决上述技术问题,本发明第一方面公开了一种通信网管故障的确定方法,所述方法包括:
获取样本故障告警数据集,所述样本故障告警数据集包括多个样本故障告警数据;
通过预先确定出的分类算法识别所述样本故障告警数据集中每个所述样本故障告警数据的第一类别结果;
将所述样本故障告警数据集输入预训练神经网络模型中进行分析,得到所述样本故障告警数据集中每个所述样本故障告警数据的第二类别结果;
根据所述样本故障告警数据集中每个所述样本故障告警数据的第一类别结果与该样本故障告警数据的第二类别结果,确定故障识别模型;
将目标告警数据输入至所述故障识别模型进行分析,得到所述目标告警数据的故障诊断结果。
作为一种可选的实施方式,在本发明第一方面中,所述分类算法包括SNN算法与KNN算法;
所述通过预先确定出的分类算法识别所述样本故障告警数据集中每个所述样本故障告警数据的第一类别结果,包括:
提取所述样本故障告警数据集中每个所述样本故障告警数据中的目标变量,通过所述SNN算法对每个所述样本故障告警数据中的目标变量进行聚类,得到所述样本故障告警数据集中每个所述样本故障告警数据对应的目标聚类结果;
通过所述KNN算法对每个所述样本故障告警数据对应的目标聚类结果进行归类,得到所述样本故障告警数据集中每个所述样本故障告警数据的第一类别结果。
作为一种可选的实施方式,在本发明第一方面中,所述将所述样本故障告警数据集输入预训练神经网络模型中进行分析,得到所述样本故障告警数据集中每个所述样本故障告警数据的第二类别结果,包括:
提取所述样本故障告警数据集中每个所述样本故障告警数据中所包括至少一个目标影响因子,将该样本故障告警数据中所包括的所有所述目标影响因子确定为预训练神经网络模型的输入层向量;
针对所述预训练神经网络模型中所述样本故障告警数据集中每个所述样本故障告警数据的任一所述输入层的输入向量,根据该输入层的输入向量和该输入层对应的输入层的权重,对该输入层向量作加权线性处理,得到该输入层向量对应的输入层的输出向量,并将该输入层的输出向量作为该输入层对应的隐藏层的输入向量,对该隐藏层的输入向量执行第一操作,得到该隐藏层对应的输出向量;并基于该隐藏层的输出向量和该隐藏层对应的输出层的权重,对该隐藏层的输出向量作所述加权线性处理,得到该输出层的输入向量,对该输出层的输入向量执行第二操作,得到该输出层对应的输出结果;
将每个所述样本故障告警数据中所包括的所有所述目标影响因子对应的所有所述输出层对应的输出结果,确定为该样本故障告警数据的第二类别结果。
作为一种可选的实施方式,在本发明第一方面中,所述根据所述样本故障告警数据集中每个所述样本故障告警数据的第一类别结果与该样本故障告警数据的第二类别结果,确定故障识别模型,包括:
针对所述样本故障告警数据集中任一所述样本故障告警数据,根据每个所述样本故障告警数据的第一类别结果与该样本故障告警数据的第二类别结果,确定该样本故障告警数据的匹配度,所述匹配度越高,所述样本故障告警数据的第一类别结果与该样本故障告警数据的第二类别结果越相似;
根据所有所述样本故障告警数据的匹配度,从所述样本故障告警数据集中计算所述匹配度大于等于预先设定的匹配程度阈值的所有目标故障告警数据;
计算所有所述目标故障告警数据的目标数量,并判断所述目标数量是否大于等于预先设定的数量阈值;
当判断出所述目标数量大于等于预先设定的所述数量阈值时,将所述预训练神经网络模型确定为故障识别模型;
当判断出所述目标数量小于预先设定的所述数量阈值时,调整所述预训练神经网络模型中的参数,得到参数调整后的目标训练神经网络模型,并将所述预训练神经网络模型更新为所述目标训练神经网络模型,以及重新执行所述的将所述样本故障告警数据集输入预训练神经网络模型中进行分析,得到所述样本故障告警数据集中每个所述样本故障告警数据的第二类别结果的步骤。
作为一种可选的实施方式,在本发明第一方面中,所述调整所述预训练神经网络模型中的参数,得到参数调整后的目标训练神经网络模型,包括:
计算所述预训练神经网络模型中的每一输入层与该输入层对应的隐藏层之间的误差值;
根据每个所述输入层与该输入层对应的所述隐藏层之间的误差值,调整所述预训练神经网络模型中的参数,得到所述参数调整后的目标训练神经网络模型,其中,所述参数包括学习速率。
作为一种可选的实施方式,在本发明第一方面中,所述根据每个所述输入层与该输入层对应的所述隐藏层之间的误差值,调整所述预训练神经网络模型中的参数,得到所述参数调整后的目标训练神经网络模型,包括:
判断所有所述输入层中每个所述输入层与该输入层对应的隐藏层之间的误差值中是否存在大于等于预先设定的误差阈值的目标误差值;
当判断出存在所述目标误差值时,增大所述预训练神经网络模型的学习速率,得到参数调整后的目标训练神经网络模型。
作为一种可选的实施方式,在本发明第一方面中,所述获取样本故障告警数据集后,所述方法还包括:
从所述样本故障告警数据集中随机选取预先确定出的目标数量的第一样本故障告警数据;
提取每个所述样本故障告警数据所包括的多个影响因子,每个所述样本故障告警数据所包括的所有所述影响因子包括该样本故障告警数据的目标影响因子;
将所有所述第一样本故障告警数据中所包括的所有所述影响因子输入预先设定的神经网络模型进行训练,得到预训练神经网络模型。
本发明第二方面公开了一种通信网管故障的确定装置,所述装置包括:
获取模块,用于获取样本故障告警数据集,所述样本故障告警数据集包括多个样本故障告警数据;
识别模块,用于通过预先确定出的分类算法识别所述样本故障告警数据集中每个所述样本故障告警数据的第一类别结果;
分析模块,用于将所述样本故障告警数据集输入预训练神经网络模型中进行分析,得到所述样本故障告警数据集中每个所述样本故障告警数据的第二类别结果;
确定模块,用于根据所述样本故障告警数据集中每个所述样本故障告警数据的第一类别结果与该样本故障告警数据的第二类别结果,确定故障识别模型;
所述分析模块,还用于将目标告警数据输入至所述故障识别模型进行分析,得到所述目标告警数据的故障诊断结果。
作为一种可选的实施方式,在本发明第二方面中,所述分类算法包括SNN算法与KNN算法;
所述识别模块通过预先确定出的分类算法识别所述样本故障告警数据集中每个所述样本故障告警数据的第一类别结果的方式具体为:
提取所述样本故障告警数据集中每个所述样本故障告警数据中的目标变量,通过所述SNN算法对每个所述样本故障告警数据中的目标变量进行聚类,得到所述样本故障告警数据集中每个所述样本故障告警数据对应的目标聚类结果;
通过所述KNN算法对每个所述样本故障告警数据对应的目标聚类结果进行归类,得到所述样本故障告警数据集中每个所述样本故障告警数据的第一类别结果。
作为一种可选的实施方式,在本发明第二方面中,所述分析模块将所述样本故障告警数据集输入预训练神经网络模型中进行分析,得到所述样本故障告警数据集中每个所述样本故障告警数据的第二类别结果的方式具体为:
提取所述样本故障告警数据集中每个所述样本故障告警数据中所包括至少一个目标影响因子,将该样本故障告警数据中所包括的所有所述目标影响因子确定为预训练神经网络模型的输入层向量;
针对所述预训练神经网络模型中所述样本故障告警数据集中每个所述样本故障告警数据的任一所述输入层的输入向量,根据该输入层的输入向量和该输入层对应的输入层的权重,对该输入层向量作加权线性处理,得到该输入层向量对应的输入层的输出向量,并将该输入层的输出向量作为该输入层对应的隐藏层的输入向量,对该隐藏层的输入向量执行第一操作,得到该隐藏层对应的输出向量;并基于该隐藏层的输出向量和该隐藏层对应的输出层的权重,对该隐藏层的输出向量作所述加权线性处理,得到该输出层的输入向量,对该输出层的输入向量执行第二操作,得到该输出层对应的输出结果;
将每个所述样本故障告警数据中所包括的所有所述目标影响因子对应的所有所述输出层对应的输出结果,确定为该样本故障告警数据的第二类别结果。
作为一种可选的实施方式,在本发明第二方面中,所述确定模块根据所述样本故障告警数据集中每个所述样本故障告警数据的第一类别结果与该样本故障告警数据的第二类别结果,确定故障识别模型的方式具体为:
针对所述样本故障告警数据集中任一所述样本故障告警数据,根据每个所述样本故障告警数据的第一类别结果与该样本故障告警数据的第二类别结果,确定该样本故障告警数据的匹配度,其中,所述样本故障告警数据的匹配度越高,所述样本故障告警数据的第一类别结果与该样本故障告警数据的第二类别结果越相似;
根据所有所述样本故障告警数据的匹配度,从所述样本故障告警数据集中计算所述匹配度大于等于预先设定的匹配程度阈值的所有目标故障告警数据;
计算所有所述目标故障告警数据的目标数量,并判断所述目标数量是否大于等于预先设定的数量阈值;
当判断出所述目标数量大于等于预先设定的所述数量阈值时,将所述预训练神经网络模型确定为故障识别模型;
当判断出所述目标数量小于预先设定的所述数量阈值时,调整所述预训练神经网络模型中的参数,得到参数调整后的目标训练神经网络模型,并将所述预训练神经网络模型更新为所述目标训练神经网络模型,以及重新执行所述的将所述样本故障告警数据集输入预训练神经网络模型中进行分析,得到所述样本故障告警数据集中每个所述样本故障告警数据的第二类别结果的步骤。
作为一种可选的实施方式,在本发明第二方面中,所述确定模块调整所述预训练神经网络模型中的参数,得到参数调整后的目标训练神经网络模型的方式具体为:
计算所述预训练神经网络模型中的每一输入层与该输入层对应的隐藏层之间的误差值;
根据每个所述输入层与该输入层对应的所述隐藏层之间的误差值,调整所述预训练神经网络模型中的参数,得到所述参数调整后的目标训练神经网络模型,其中,所述参数包括学习速率。
作为一种可选的实施方式,在本发明第二方面中,所述确定模块根据每个所述输入层与该输入层对应的所述隐藏层之间的误差值,调整所述预训练神经网络模型中的参数,得到所述参数调整后的目标训练神经网络模型的方式具体为:
判断所有所述输入层中每个所述输入层与该输入层对应的隐藏层之间的误差值中是否存在大于等于预先设定的误差阈值的目标误差值;
当判断出存在所述目标误差值时,增大所述预训练神经网络模型的学习速率,得到参数调整后的目标训练神经网络模型。
作为一种可选的实施方式,在本发明第二方面中,所述装置还包括:
选取模块,用于在所述获取模块获取样本故障告警数据集后,从所述样本故障告警数据集中随机选取预先确定出的目标数量的第一样本故障告警数据;
提取模块,用于提取每个所述第一样本故障告警数据所包括的多个影响因子,每个所述第一样本故障告警数据所包括的所有所述影响因子包括该第一样本故障告警数据的目标影响因子;
训练模块,用于将所有所述第一样本故障告警数据中所包括的所有所述影响因子输入预先设定的神经网络模型进行训练,得到预训练神经网络模型。
本发明第三方面公开了另一种通信网管故障的确定装置,所述装置包括:
存储有可执行程序代码的存储器;
与所述存储器耦合的处理器;
所述处理器调用所述存储器中存储的所述可执行程序代码,执行本发明第一方面公开的通信网管故障的确定方法。
本发明第四方面公开了一种计算机可存储介质,所述计算机存储介质存储有计算机指令,所述计算机指令被调用时,用于执行本发明第一方面公开的通信网管故障的确定方法。
与现有技术相比,本发明实施例具有以下有益效果:
本发明实施例中,获取样本故障告警数据集,样本故障告警数据集包括多个样本故障告警数据,通过预先确定出的分类算法识别样本故障告警数据集每个样本故障告警数据的第一类别结果,将样本故障告警数据集输入预训练神经网络模型中进行分析,得到样本故障告警数据集中每个样本故障告警数据的第二类别结果,根据样本故障告警数据集中每个样本故障告警数据的第一类别结果与该样本故障告警数据的第二类别结果,确定故障识别模型,将目标告警数据输入至故障识别模型,得到目标告警数据的故障诊断结果。可见,实施本发明能够智能确定网络故障性,能够提高确定网络故障的效率及准确性。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述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的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例公开的一种通信网管故障的确定方法的流程示意图;
图2是本发明实施例公开的另一种通信网管故障的确定方法的流程示意图;
图3是本发明实施例公开的一种通信网管故障的确定装置的结构示意图;
图4是本发明实施例公开的另一种通信网管故障的确定装置的结构示意图;
图5是本发明实施例公开的又一种通信网管故障的确定装置的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,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作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。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别不同对象,而不是用于描述特定顺序。此外,术语“包括”和“具有”以及它们任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、装置、产品或端没有限定于已列出的步骤或单元,而是可选地还包括没有列出的步骤或单元,或可选地还包括对于这些过程、方法、产品或端固有的其他步骤或单元。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
本发明公开了一种通信网管故障的确定方法及装置,通过智能确定网络故障性,能够提高确定网络故障的效率及准确性。以下分别进行详细说明。
实施例一
请参阅图1,图1是本发明实施例公开的一种通信网管故障的确定方法的流程示意图。其中,图1所描述的通信网管故障的确定方法可以应用于通信网管故障的确定装置中,也可以应用于通信网管故障确定的本地服务器或云端服务器中,本发明实施例不做限定。如图1所示,该通信网管故障的确定方法可以包括以下操作:
101、获取样本故障告警数据集。
本发明实施例中,样本故障告警数据集包括多个样本故障告警数据。
本发明实施例中,可选的,样本故障告警数据集中所包括的样本故障告警数据,可以是含有告警故障分析定位结果的样本故障告警数据。进一步可选的,样本故障告警数据集中可以包括目标告警数据,也可以不包括目标告警数据。进一步可选的,获取样本故障告警数据集的方式可以为根据接收到的获取指令进行样本故障告警数据集的获取,也可以为自动获取已有的样本故障告警数据集,本发明实施例不做限定。
102、通过预先确定出的分类算法识别样本故障告警数据集中每个样本故障告警数据的第一类别结果。
本发明实施例中,预先确定出的分类算法可以包括SNN算法与KNN算法。
在一个可选的实施例中,通过预先确定出的分类算法识别样本故障告警数据集中每个样本故障告警数据的第一类别结果之后,该方法还可以包括:
校验识别得到的第一类别结果,得到该第一类别结果对应的校验结果;
其中,校验识别得到的第一类别结果,得到该第一类别结果对应的校验结果,可以包括:
根据预先确定出的设备承载关系,确定第一类别结果对应的目标上层设备,判断该目标上层设备是否存在告警信息,当判断出该目标上层设备存在告警信息时,将该第一类别结果对应的校验结果确定为正确结果,其中,目标上层设备为第一类别结果对应的设备在设备承载关系中的上层设备。
在该可选的实施例中,可选的,当判断出该目标上层设备不存在告警信息时,可以结束本流程,也可以重新执行通过预先确定出的分类算法识别样本故障告警数据集中每个样本故障告警数据的第一类别结果的步骤。
在该可选的实施例中,设备承载关系可以包括通信组成关系以及设备支撑承载关系中的一种或多种,其中,设备支撑承载关系可以包括光缆网为传输网提供支撑、传输网为数据网提供传输通道、电源设备为通信设备供电、站点及机房提供通信设备空间管理、数据网对办公***提供业务承载、网络底层设备告警引起上层设备告警、电源告警引起供电设备告警中的一种或多种。举例来说,当识别得到的第一类别结果为光缆网时,对光缆网进行校验,在预先确定出的设备承载关系中确定光缆网对应的目标上层设备,得到光缆网对应的目标上层设备为传输网,并判断该传输网是否存在告警信息,当判断出传输网存在告警信息时,将本次对光缆网的校验结果确定为正确结果。这样通过判断目标上层设备是否存在告警信息,对第一类别结果进行校验,能够提高确定第一类别结果的准确性,从而有利于提高确定故障识别模型的准确性,进而有利于提高得到目标告警数据的故障诊断结果的准确性。
可见,实施该可选的实施例能够根据预先确定出的设备承载关系,判断第一类别结果对应的目标上层设备是否存在告警信息,当判断结果为是时,将该第一类别结果的校验结果确定为正确结果,能够提高确定第一类别结果的准确性,从而有利于提高确定故障识别模型的准确性,进而有利于提高得到目标告警数据的故障诊断结果的准确性。
103、将样本故障告警数据集输入预训练神经网络模型中进行分析,得到样本故障告警数据集中每个样本故障告警数据的第二类别结果。
本发明实施例中,预训练神经网络模型为三层的网格结构,其中该预训练神经网络模型包括输入层、隐藏层及输出层。其中,输入层的作用为将原始数据输入至预训练神经网络模型中,原始数据可以为数字图像、自然语言处理中的一维表示的句子向量中的其中一种,本发明实施例中不做限定。
104、根据样本故障告警数据集中每个样本故障告警数据的第一类别结果与该样本故障告警数据的第二类别结果,确定故障识别模型。
本发明实施例中,可选的,根据样本故障告警数据集中每个样本故障告警数据的第一类别结果与该样本故障告警数据的第二类别结果,确定故障识别模型的方法可以包括:
确定每个样本故障告警数据的第一类别结果与该样本故障告警数据的第二类别结果之间的相似度,判断相似度是否大于等于预先设定的相似度阈值,当判断出相似度大于等于预先设定的相似度阈值时,将预训练神经网络模型确定为故障识别模型。
105、将目标告警数据输入至故障识别模型,得到目标告警数据的故障诊断结果。
本发明实施例中,可选的,故障诊断结果可以包括故障告警类型、故障告警设备类型、故障告警设备、故障告警设备的具***置中的一种或多种。这样通过得到多方面的故障诊断结果,能够丰富故障诊断结果的全面性,有利于提高确定故障诊断结果的准确性。
可见,实施图1所描述的一种通信网管故障的确定方法能够获取样本故障告警数据集,通过预先确定出的分类算法识别样本故障告警数据集中每个样本故障告警数据的第一类别结果,将样本故障告警数据集输入预训练神经网络模型中进行分析,得到样本故障告警数据集中每个样本故障告警数据的第二类别结果,根据样本故障告警数据集中每个样本故障告警数据的第一类别结果与该样本故障告警数据的第二类别结果,确定故障识别模型,将目标告警数据输入至故障识别模型中进行分析,得到目标告警数据的故障诊断结果,能够智能化确定目标告警数据对应的故障诊断结果,有利于提高确定故障诊断结果的效率,以及有利于提高确定故障诊断结果的准确性。
在一个可选的实施例中,分类算法包括SNN算法与KNN算法;
通过预先确定出的分类算法识别样本故障告警数据集中每个样本故障告警数据的第一类别结果,包括:
提取样本故障告警数据集中每个样本故障告警数据中的目标变量,通过SNN算法对每个样本故障告警数据中的目标变量进行聚类,得到样本故障告警数据集中每个样本故障告警数据对应的目标聚类结果;
通过KNN算法对每个样本故障告警数据对应的目标聚类结果进行归类,得到样本故障告警数据集中每个样本故障告警数据的第一类别结果。
在该可选的实施例中,可选的,目标变量为样本故障告警数据中的有效变量。
在该可选的实施例中,SNN算法为一种基于共享最近邻的聚类算法,该SNN算法的基本思想为先构造相似度矩阵,在进行最近邻居的处理,并以此构造得到最近邻居图,使得具有较强联系的样本之间才有连接,继而统计出所有样本点的连接力度,以此确定聚类中心和噪声数据,将噪声数据从样本点中排除出来,并再次对图中的连接进行一次过滤,最后依据确定得到的聚类中心与剩下的最近邻居图进行聚类处理。可选的,通过使用数据点间共享最近邻的个数作为相似度进行对于变密度簇的处理,从而能够在含有噪音并且高维的数据集中发现大小不同、形状不同、密度不同的空间聚类。
在该可选的实施例中,KNN算法为k近邻分类(k-nearest neighborclassification)算法,该KNN算法是一种根据不同特征值之间的距离对数据进行分类的算法,并且该KNN算法的训练数据为带有标签的数据,即每个训练数据有该训练数据对应的类别,KNN算法能够对未含有对应类别的数据进行分类,得到每个数据对应的类别和/或每个数据对应的属性。
可见,实施该可选的实施例能够提取每个样本故障告警数据中的目标变量,通过SNN算法对每个样本故障告警数据中的目标变量进行聚类得到目标聚类结果,再通过KNN算法对每个样本故障告警数据对应的目标聚类结果进行归类,得到每个样本故障告警数据的第一类别结果,能够提高得到第一类别结果的效率,以及能够提高得到第一类别结果的准确性,从而能够有利于提高后续确定故障识别模型的准确性,进而能够有利于提高得到故障诊断结果的准确性。
在另一个可选的实施例中,将样本故障告警数据集输入预训练神经网络模型中进行分析,得到样本故障告警数据集中每个样本故障告警数据的第二类别结果,包括:
提取样本故障告警数据集中每个样本故障告警数据中所包括至少一个目标影响因子,将该样本故障告警数据中所包括的所有目标影响因子确定为预训练神经网络模型的输入层向量;
针对预训练神经网络模型中样本故障告警数据集中每个样本故障告警数据的任一输入层的输入向量,根据该输入层的输入向量和该输入层对应的输入层的权重,对该输入层向量作加权线性处理,得到该输入层向量对应的输入层的输出向量,并将该输入层的输出向量作为该输入层对应的隐藏层的输入向量,对该隐藏层的输入向量执行第一操作,得到该隐藏层对应的输出向量;并基于该隐藏层的输出向量和该隐藏层对应的输出层的权重,对该隐藏层的输出向量作加权线性处理,得到该输出层的输入向量,对该输出层的输入向量执行第二操作,得到该输出层对应的输出结果;
将每个样本故障告警数据中所包括的所有目标影响因子对应的所有输出层对应的输出结果,确定为该样本故障告警数据的第二类别结果。
在该可选的实施例中,根据该输入层的输入向量和该输入层对应的输入层的权重,对该输入层向量作加权线性处理,得到该输入层向量对应的输入层的输出向量结果为:
其中,需要说明的是,hih(k)为输入层向量对应的输入层的输出向量,wih为输入层权重向量,xi(k)为输入层神经元个数,k为具体的神经元个数的数值,bh为隐藏层阈值向量,h为隐藏层的偏移量,且bh隐藏层阈值向量的作用为通过线性叠加调整偏移,n为训练次数,i为预先设定的求和的初始值,且i的数值可以为1。
在该可选的实施例中,可选的,将该输入层的输出向量作为该输入层对应的隐藏层的输入向量,对该隐藏层的输入向量执行第一操作,得到该隐藏层对应的输出向量,其中,第一操作可以是将该隐藏层的输入hih(k)作保留映射函数处理操作,得到该隐藏层的输出向量,其中,该隐藏层的输出向量的结果为:
其中,需要说明的是,hOh(k)为隐藏层的输出向量,并将该隐藏层的输出向量hOh(k)作为该隐藏层对应的输出层的输入,hih(k)为每一个隐藏层的输入向量。
在该可选的实施例中,可选的,对该隐藏层的输入向量执行第一操作,得到该隐藏层对应的输出向量,该隐藏层对应的输出向量的结果为:
其中,需要说明的是,yio(k)为该输出层的输入向量,Who为该输出层的权重向量,bo为输出层的偏移向量,o为输出层的偏移量。
在该可选的实施例中,可选的,对该输出层的输入向量执行第二操作,得到该输出层对应的输出结果,该输出层对应的输出结果为:
其中,需要说明的是,yOo(k)为输出层对应的输出结果。
可见,实施该可选的实施例能够提取每个样本故障告警数据中包括的目标影响因子,并将影响因子作为预训练神经网络模型的输入层向量,并通过预训练神经网络模型,得到该预训练神经网络模型每个输出层对应的输出结果,并将每个输出层对应的输出结果作为该样本故障告警数据的第二类别结果,能够提高得到第二类别结果的效率,以及能够提高得到第二类别结果的准确性,从而能够有利于提高后续确定故障识别模型的准确性,进而能够有利于提高得到故障诊断结果的准确性。
在又一个可选的实施例中,根据样本故障告警数据集中每个样本故障告警数据的第一类别结果与该样本故障告警数据的第二类别结果,确定故障识别模型,包括:
针对样本故障告警数据集中任一样本故障告警数据,根据每个样本故障告警数据的第一类别结果与该样本故障告警数据的第二类别结果,确定该样本故障告警数据的匹配度,匹配度越高,样本故障告警数据的第一类别结果与该样本故障告警数据的第二类别结果越相似;
根据所有样本故障告警数据的匹配度,从样本故障告警数据集中计算匹配度大于等于预先设定的匹配程度阈值的所有目标故障告警数据;
计算所有目标故障告警数据的目标数量,并判断目标数量是否大于等于预先设定的数量阈值;
当判断出目标数量大于等于预先设定的数量阈值时,将预训练神经网络模型确定为故障识别模型;
当判断出目标数量小于预先设定的数量阈值时,调整预训练神经网络模型中的参数,得到参数调整后的目标训练神经网络模型,并将预训练神经网络模型更新为目标训练神经网络模型,以及重新执行将样本故障告警数据集输入预训练神经网络模型中进行分析,得到样本故障告警数据集中每个样本故障告警数据的第二类别结果的步骤。
在该可选的实施例中,可选的,预先设定的匹配程度阈值可以为预先设定的误差精度值,其中,预先设定的误差精度值可以为0.02,进一步可选的,目标故障告警数据可以为匹配度大于0.02的样本故障告警数据。
在该可选的实施例中,进一步可选的,在判断出目标数量大于等于预先设定的数量阈值后,该方法还可以包括:
计算目标数量与所有样本故障告警数据集的总数量之间的比值,得到成功率,判断成功率是否大于等于预先设定的成功率阈值,当判断出成功率大于等于预先设定的成功率阈值时,将预训练神经网络模型确定为故障识别模型。这样能够通过计算目标数量与所有样本故障告警数据集的总数量之间的比值,当目标数量与所有样本故障告警数据集的总数量之间的比值大于预先设定的成功率阈值时,将预训练神经网络模型确定为故障识别模型,能够提高确定故障识别模型的准确性,进而能够有利于提高得到故障诊断结果的准确性。
可见,实施该可选的实施例能够通过确定每个样本故障告警数据的匹配度,计算匹配度高于预先设定的匹配程度阈值的目标故障告警数据的目标数量,当目标数量大于等于预先设定的数量阈值时,将预训练神经网络模型确定为故障识别模型,当目标数量小于预先设定的数量阈值时,调整预训练神经网络模型中的参数,得到目标训练神经网络模型,并将预训练神经网络模型更新为目标神经网络模型,以及重新执行将样本故障告警数据集输入预训练神经网络模型中进行分析,得到样本故障告警数据集中每个样本故障告警数据的第二类别结果的步骤,能够提高得到故障确定模型的准确性,以及能够有利于提高后续得到故障诊断结果的准确性。
在又一个可选的实施例中,调整预训练神经网络模型中的参数,得到参数调整后的目标训练神经网络模型,包括:
计算预训练神经网络模型中的每一输入层与该输入层对应的隐藏层之间的误差值;
根据每个输入层与该输入层对应的隐藏层之间的误差值,调整预训练神经网络模型中的参数,得到参数调整后的目标训练神经网络模型,其中,参数包括学习速率。
在该可选的实施例中,可选的,计算预训练神经网络模型中的每一输入层与该输入层对应的隐藏层之间的误差值之后,该方法还可以包括:
判断误差值是否大于等于预先设定的误差精度阈值,当判断出误差值大于等于预先设定的误差精度阈值时,触发执行根据每个输入层与该输入层对应的隐藏层之间的误差值,调整预训练神经网络模型中的参数,得到参数调整后的目标训练神经网络模型的步骤。
在该可选的实施例中,进一步可选的,参数还可以包括隐藏层阈值向量。根据每个输入层与该输入层对应的隐藏层之间的误差值,对该输入层对应的隐藏层的隐藏层阈值向量进行调整,通过隐藏层阈值向量线性叠加调整该输入层与该输入层对应的隐藏层之间的误差值,这样能够通过调整隐藏层阈值向量得到参数调整后的目标训练神经网络模型,能够有利于提高得到目标训练神经网络模型的准确性,从而有利于提高得到故障确定模型的准确性,进而有利于提高得到故障诊断结果的准确性。
可见,实施该可选的实施例能够计算预训练神经网络模型中的每一输入层与该输入层对应的隐藏层之间的误差值,根据误差值调整预训练神经网络模型中的参数,得到参数调整后的目标训练神经网络模型,能够有利于提高得到目标训练神经网络模型的准确性,从而有利于提高得到故障确定模型的准确性,进而有利于提高得到故障诊断结果的准确性。
在又一个可选的实施例中,根据每个输入层与该输入层对应的隐藏层之间的误差值,调整预训练神经网络模型中的参数,得到参数调整后的目标训练神经网络模型,包括:
判断所有输入层中每个输入层与该输入层对应的隐藏层之间的误差值中是否存在大于等于预先设定的误差阈值的目标误差值;
当判断出存在目标误差值时,增大预训练神经网络模型的学习速率,得到参数调整后的目标训练神经网络模型。
在该可选的实施例中,可选的,目标误差值越大,增大学习速率的值就越大。进一步可选的,学习速率用于修正输入层的权重,进一步可选的,输入层的输入向量为样本故障告警数据中所包括的目标影响因子,也即学习速率用于修正样本故障告警数据中所包括的目标影响因子的权重,其中,目标影响因子的权重是预先设定的,根据在预训练神经网络模型中得到的训练结果对学习速率进行修正,通过对学习速率进行修正能够对样本故障告警数据中所包括的目标影响因子的权重进行修正,然后再次在预训练神经网络模型中进行训练,直到样本故障告警数据的匹配度达到预先设定的程度阈值。这样通过调整学习速率,进而调整样本故障告警数据中所包括的目标影响因子的权重,能够提高得到参数调整后的目标训练神经网络模型的准确性与效率,从而能够有利于提高得到故障确定模型的准确性与效率,进而能够有利于提高得到故障诊断结果的准确性与效率。
可见,实施该可选的实施例能够判断所有输入层中每个输入层与该输入层对应的隐藏层之间的误差值中是否存在大于等于预先设定的误差阈值的目标误差值,当判断出存在目标误差值时,增大预训练神经网络模型的学习速率,得到参数调整后的目标训练神经网络模型,能够提高得到参数调整后的目标训练神经网络模型的准确性与效率,从而能够有利于提高得到故障确定模型的准确性与效率,进而能够有利于提高得到故障诊断结果的准确性与效率。
实施例二
请参阅图2,图2是本发明实施例公开的一种通信网管故障的确定方法的流程示意图。其中,图2所描述的通信网管故障的确定方法可以应用于通信网管故障的确定装置中,也可以应用于通信网管故障确定的本地服务器或云端服务器中,本发明实施例不做限定。如图2所示,该通信网管故障的确定方法可以包括以下操作:
201、获取样本故障告警数据集。
202、从样本故障告警数据集中随机选取预先确定出的目标数量的第一样本故障告警数据。
本发明实施例中,进一步可选的,第一样本故障告警数据可以是含有告警故障分析定位结果的样本故障告警数据。
本发明实施例中,进一步可选的,当接收到增大学习速率的控制指令时,对目标数量进行更新,其中,更新后的目标数量大于原目标数量。这样通过增大目标数量能够增大学习速率,能够提高得到参数调整后的目标训练神经网络模型的准确性与效率,从而能够有利于提高得到故障确定模型的准确性与效率,进而能够有利于提高得到故障诊断结果的准确性与效率。
203、提取每个第一样本故障告警数据所包括的多个影响因子,每个第一样本故障告警数据所包括的所有影响因子包括该第一样本故障告警数据的目标影响因子。
本发明实施例中,可选的,影响因子的类型可以包括光缆网类型、传输网类型、数据网类型、动环类型中的一种或多种。进一步可选的,光缆网类型可以包括光缆子类型、光缆位置子类型、光缆监测子类型、光缆接头子类型、人为事件子类型中的一种或多种,其中,光缆子类型所包括的影响因子可以包括架空、直埋、管道、混合中的一种或多种;光缆位置子类型所包括的影响因子可以包括城区或郊区;光缆监测子类型所包括的影响因子可以包括OTDR监测的损耗或断点;光缆接头子类型所包括的影响因子可以包括光缆中间接续的数量;人为事件子类型所包括的影响因子可以包括施工、割接、检修中的一种或多种。可选的,传输网类型所包括的影响因子可以包括支撑光缆因素、通信板卡因素、电源供电因素、通信检修因素、时隙配置因素中的一种或多种。可选的,数据网类型所包括的影响因子可以包括光缆网因素、传输网因素、设备板卡因素、电源供电因素、通信检修因素、流量过载因素中的一种或多种。可选的,动环类型所包括的影响因子可以包括开关电源因素、环境告警因素、设备离线因素、机房检修因素中的一种或多种。这样通过提取每个第一样本故障告警数据所包括的多个影响因子,能够提高后续得到预训练神经网络模型的准确性,从而有利于提高得到故障确定模型的准确性,进而有利于提高得到故障诊断结果的准确性。
204、将所有第一样本故障告警数据中所包括的所有影响因子输入预先设定的神经网络模型进行训练,得到预训练神经网络模型。
本发明实施例中,可选的,将所有第一样本故障告警数据中所包括的所有影响因子输入预先设定的神经网络模型进行训练,得到预训练神经网络模型,可以包括:
对于所有第一样本故障告警数据中所包括的每个影响因子,设定该影响因子对应的影响权重,对于每个第一样本故障告警数据,将该第一样本故障告警数据中所包括的影响因子作为神经网络模型的输入层数据样本,将该第一样本故障告警数据对应的告警故障分析结果作为神经网络模型的输出层输出结果样本,该第一样本故障告警数据对应的每个输入层数据样本与每个输出层输出结果样本一一对应,构成样本数据,汇总所有样本数据,得到样本数据集;
从样本数据集中随机选取第一数量的样本数据,生成训练样本集,以及从样本数据集中随机选取第二数量的样本数据,生成测试样本集;
根据训练样本集以及测试样本集,对神经网络模型进行训练,得到预训练神经网络模型。
本发明实施例中,可选的,第一数量可以为9,第二数量可以为1,也可以通过设定第一数量与第二数量之间的比值对第一数量以及第二数量进行确定。这样通过将含有告警故障分析定位结果的样本故障告警数据确定为第一样本故障告警数据,并将第一样本故障告警数据输入至神经网络模型中进行训练,得到预训练神经网络模型,能够提高得到预训练神经网络模型的准确性,从而有利于提高得到故障确定模型的准确性,进而有利于提高得到故障诊断结果的准确性。
205、通过预先确定出的分类算法识别样本故障告警数据集中每个样本故障告警数据的第一类别结果。
206、将样本故障告警数据集输入预训练神经网络模型中进行分析,得到样本故障告警数据集中每个样本故障告警数据的第二类别结果。
207、根据样本故障告警数据集中每个样本故障告警数据的第一类别结果与该样本故障告警数据的第二类别结果,确定故障识别模型。
208、将目标告警数据输入至故障识别模型,得到目标告警数据的故障诊断结果。
本发明实施例中,针对步骤201、步骤205-步骤208的其它描述,请参照实施例一中针对步骤101-步骤105的详细描述,本发明实施例不再赘述。
可见,实施图2所描述的一种通信网管故障的确定方法能够获取样本故障告警数据集,从样本故障告警数据集中随机选取预先确定出的目标数量的第一样本故障告警数据,并提取每个第一样本故障告警数据所包括的多个影响因子,将所有第一样本故障告警数据中所包括的所有影响因子输入预先设定的神经网络模型进行训练,得到预训练神经网络模型,通过预先确定出的分类算法识别样本故障告警数据集中每个样本故障告警数据的第一类别结果,将样本故障告警数据集输入预训练神经网络模型中进行分析,得到样本故障告警数据集中每个样本故障告警数据的第二类别结果,根据样本故障告警数据集中每个样本故障告警数据的第一类别结果与该样本故障告警数据的第二类别结果,确定故障识别模型,将目标告警数据输入至故障识别模型中进行分析,得到目标告警数据的故障诊断结果,能够智能化确定目标告警数据对应的故障诊断结果,能够有利于提高得到预训练神经网络模型的准确性,有利于提高确定故障诊断结果的效率,以及有利于提高确定故障诊断结果的准确性。
实施例三
请参阅图3,图3是本发明实施例公开的一种通信网管故障的确定装置的结构示意图。如图3所示,该装置可以包括:
获取模块301,用于获取样本故障告警数据集,样本故障告警数据集包括多个样本故障告警数据。
识别模块302,用于通过预先确定出的分类算法识别样本故障告警数据集中每个样本故障告警数据的第一类别结果。
分析模块303,用于将样本故障告警数据集输入预训练神经网络模型中进行分析,得到样本故障告警数据集中每个样本故障告警数据的第二类别结果。
确定模块304,用于根据样本故障告警数据集中每个样本故障告警数据的第一类别结果与该样本故障告警数据的第二类别结果,确定故障识别模型。
分析模块303,还用于将目标告警数据输入至故障识别模型进行分析,得到目标告警数据的故障诊断结果。
可见,实施图3所描述的装置能够获取样本故障告警数据集,通过预先确定出的分类算法识别样本故障告警数据集中每个样本故障告警数据的第一类别结果,将样本故障告警数据集输入预训练神经网络模型中进行分析,得到样本故障告警数据集中每个样本故障告警数据的第二类别结果,根据样本故障告警数据集中每个样本故障告警数据的第一类别结果与该样本故障告警数据的第二类别结果,确定故障识别模型,将目标告警数据输入至故障识别模型中进行分析,得到目标告警数据的故障诊断结果,能够智能化确定目标告警数据对应的故障诊断结果,有利于提高确定故障诊断结果的效率,以及有利于提高确定故障诊断结果的准确性。
在一个可选的实施例中,分类算法包括SNN算法与KNN算法;
识别模块302通过预先确定出的分类算法识别样本故障告警数据集中每个样本故障告警数据的第一类别结果的方式具体为:
提取样本故障告警数据集中每个样本故障告警数据中的目标变量,通过SNN算法对每个样本故障告警数据中的目标变量进行聚类,得到样本故障告警数据集中每个样本故障告警数据对应的目标聚类结果;
通过KNN算法对每个样本故障告警数据对应的目标聚类结果进行归类,得到样本故障告警数据集中每个样本故障告警数据的第一类别结果。
可见,实施图3所描述的装置提取每个样本故障告警数据中的目标变量,通过SNN算法对每个样本故障告警数据中的目标变量进行聚类得到目标聚类结果,再通过KNN算法对每个样本故障告警数据对应的目标聚类结果进行归类,得到每个样本故障告警数据的第一类别结果,能够提高得到第一类别结果的效率,以及能够提高得到第一类别结果的准确性,从而能够有利于提高后续确定故障识别模型的准确性,进而能够有利于提高得到故障诊断结果的准确性。
在另一个可选的实施例中,分析模块303将样本故障告警数据集输入预训练神经网络模型中进行分析,得到样本故障告警数据集中每个样本故障告警数据的第二类别结果的方式具体为:
提取样本故障告警数据集中每个样本故障告警数据中所包括至少一个目标影响因子,将该样本故障告警数据中所包括的所有目标影响因子确定为预训练神经网络模型的输入层向量;
针对预训练神经网络模型中样本故障告警数据集中每个样本故障告警数据的任一输入层的输入向量,根据该输入层的输入向量和该输入层对应的输入层的权重,对该输入层向量作加权线性处理,得到该输入层向量对应的输入层的输出向量,并将该输入层的输出向量作为该输入层对应的隐藏层的输入向量,对该隐藏层的输入向量执行第一操作,得到该隐藏层对应的输出向量;并基于该隐藏层的输出向量和该隐藏层对应的输出层的权重,对该隐藏层的输出向量作加权线性处理,得到该输出层的输入向量,对该输出层的输入向量执行第二操作,得到该输出层对应的输出结果;
将每个样本故障告警数据中所包括的所有目标影响因子对应的所有输出层对应的输出结果,确定为该样本故障告警数据的第二类别结果。
可见,实施图3所描述的装置提取每个样本故障告警数据中包括的目标影响因子,并将影响因子作为预训练神经网络模型的输入层向量,并通过预训练神经网络模型,得到该预训练神经网络模型每个输出层对应的输出结果,并将每个输出层对应的输出结果作为该样本故障告警数据的第二类别结果,能够提高得到第二类别结果的效率,以及能够提高得到第二类别结果的准确性,从而能够有利于提高后续确定故障识别模型的准确性,进而能够有利于提高得到故障诊断结果的准确性。
在又一个可选的实施例中,确定模块304根据样本故障告警数据集中每个样本故障告警数据的第一类别结果与该样本故障告警数据的第二类别结果,确定故障识别模型的方式具体为:
针对样本故障告警数据集中任一样本故障告警数据,根据每个样本故障告警数据的第一类别结果与该样本故障告警数据的第二类别结果,确定该样本故障告警数据的匹配度,其中,样本故障告警数据的匹配度越高,样本故障告警数据的第一类别结果与该样本故障告警数据的第二类别结果越相似;
根据所有样本故障告警数据的匹配度,从样本故障告警数据集中计算匹配度大于等于预先设定的匹配程度阈值的所有目标故障告警数据;
计算所有目标故障告警数据的目标数量,并判断目标数量是否大于等于预先设定的数量阈值;
当判断出目标数量大于等于预先设定的数量阈值时,将预训练神经网络模型确定为故障识别模型;
当判断出目标数量小于预先设定的数量阈值时,调整预训练神经网络模型中的参数,得到参数调整后的目标训练神经网络模型,并将预训练神经网络模型更新为目标训练神经网络模型,以及重新执行的将样本故障告警数据集输入预训练神经网络模型中进行分析,得到样本故障告警数据集中每个样本故障告警数据的第二类别结果的步骤。
可见,实施图3所描述的装置能够通过确定每个样本故障告警数据的匹配度,计算匹配度高于预先设定的匹配程度阈值的目标故障告警数据的目标数量,当目标数量大于等于预先设定的数量阈值时,将预训练神经网络模型确定为故障识别模型,当目标数量小于预先设定的数量阈值时,调整预训练神经网络模型中的参数,得到目标训练神经网络模型,并将预训练神经网络模型更新为目标神经网络模型,以及重新执行将样本故障告警数据集输入预训练神经网络模型中进行分析,得到样本故障告警数据集中每个样本故障告警数据的第二类别结果的步骤,能够提高得到故障确定模型的准确性,以及能够有利于提高后续得到故障诊断结果的准确性。
在又一个可选的实施例中,确定模块304调整预训练神经网络模型中的参数,得到参数调整后的目标训练神经网络模型的方式具体为:
计算预训练神经网络模型中的每一输入层与该输入层对应的隐藏层之间的误差值;
根据每个输入层与该输入层对应的隐藏层之间的误差值,调整预训练神经网络模型中的参数,得到参数调整后的目标训练神经网络模型,其中,参数包括学习速率。
可见,实施图3所描述的装置能够计算预训练神经网络模型中的每一输入层与该输入层对应的隐藏层之间的误差值,根据误差值调整预训练神经网络模型中的参数,得到参数调整后的目标训练神经网络模型,能够有利于提高得到目标训练神经网络模型的准确性,从而有利于提高得到故障确定模型的准确性,进而有利于提高得到故障诊断结果的准确性。
在又一个可选的实施例中,确定模块304根据每个输入层与该输入层对应的隐藏层之间的误差值,调整预训练神经网络模型中的参数,得到参数调整后的目标训练神经网络模型的方式具体为:
判断所有输入层中每个输入层与该输入层对应的隐藏层之间的误差值中是否存在大于等于预先设定的误差阈值的目标误差值;
当判断出存在目标误差值时,增大预训练神经网络模型的学习速率,得到参数调整后的目标训练神经网络模型。
可见,实施图3所描述的装置能够判断所有输入层中每个输入层与该输入层对应的隐藏层之间的误差值中是否存在大于等于预先设定的误差阈值的目标误差值,当判断出存在目标误差值时,增大预训练神经网络模型的学习速率,得到参数调整后的目标训练神经网络模型,能够提高得到参数调整后的目标训练神经网络模型的准确性与效率,从而能够有利于提高得到故障确定模型的准确性与效率,进而能够有利于提高得到故障诊断结果的准确性与效率。
在又一个可选的实施例中,如图4所示,该装置还包括:
选取模块305,用于在获取模块301获取样本故障告警数据集后,从样本故障告警数据集中随机选取预先确定出的目标数量的第一样本故障告警数据。
提取模块306,用于提取每个第一样本故障告警数据所包括的多个影响因子,每个第一样本故障告警数据所包括的所有影响因子包括该第一样本故障告警数据的目标影响因子。
训练模块307,用于将所有第一样本故障告警数据中所包括的所有影响因子输入预先设定的神经网络模型进行训练,得到预训练神经网络模型。
在该可选的实施例中,可选的,当训练模块307执行完毕将所有第一样本故障告警数据中所包括的所有影响因子输入预先设定的神经网络模型进行训练,得到预训练神经网络模型的操作之后,可以触发分析模块303执行上述的将样本故障告警数据集输入预训练神经网络模型中进行分析,得到样本故障告警数据集中每个样本故障告警数据的第二类别结果的操作。
可见,实施图4所描述的装置能够智能化确定目标告警数据对应的故障诊断结果,能够有利于提高得到预训练神经网络模型的准确性,有利于提高确定故障诊断结果的效率,以及有利于提高确定故障诊断结果的准确性。
实施例四
请参阅图5,图5是本发明实施例公开的又一种通信网管故障的确定装置的结构示意图。如图5所示,该通信网管故障的确定的装置可以包括:
存储有可执行程序代码的存储器401;
与存储器401耦合的处理器402;
处理器402调用存储器401中存储的可执行程序代码,执行本发明实施例一或本发明实施例二所描述的一种通信网管故障的确定方法中的步骤。
实施例五
本发明实施例公开了一种计算机可存储介质,该计算机存储介质存储有计算机指令,该计算机指令被调用时,用于执行本发明实施例一或本发明实施例二所描述的一种通信网管故障的确定方法中的步骤。
实施例六
本发明实施例公开了一种计算机程序产品,该计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质,且该计算机程序可操作来使计算机执行实施例一或实施例二中所描述的一种通信网管故障的确定的方法中的步骤。
以上所描述的装置实施例仅是示意性的,其中所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理模块,即可以位于一个地方,或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施例的具体描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,存储介质包括只读存储器(Read-Only Memory,ROM)、随机存储器(Random Access Memory,RAM)、可编程只读存储器(Programmable Read-only Memory,PROM)、可擦除可编程只读存储器(ErasableProgrammable Read Only Memory,EPROM)、一次可编程只读存储器(One-timeProgrammable Read-Only Memory,OTPROM)、电子抹除式可复写只读存储器(Electrically-Erasable Programmable Read-Only Memory,EEPROM)、只读光盘(CompactDisc Read-Only Memory,CD-ROM)或其他光盘存储器、磁盘存储器、磁带存储器、或者能够用于携带或存储数据的计算机可读的任何其他介质。
最后应说明的是:本发明实施例公开的一种通信网管故障的确定方法及装置所揭露的仅为本发明较佳实施例而已,仅用于说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解;其依然可以对前述各项实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或替换,并不使相应的技术方案的本质脱离本发明各项实施例技术方案的精神和范围。
Claims (10)
1.一种通信网管故障的确定方法,其特征在于,所述方法包括:
获取样本故障告警数据集,所述样本故障告警数据集包括多个样本故障告警数据;
通过预先确定出的分类算法识别所述样本故障告警数据集中每个所述样本故障告警数据的第一类别结果;
将所述样本故障告警数据集输入预训练神经网络模型中进行分析,得到所述样本故障告警数据集中每个所述样本故障告警数据的第二类别结果;
根据所述样本故障告警数据集中每个所述样本故障告警数据的第一类别结果与该样本故障告警数据的第二类别结果,确定故障识别模型;
将目标告警数据输入至所述故障识别模型进行分析,得到所述目标告警数据的故障诊断结果。
2.根据权利要求1所述的一种通信网管故障的确定方法,其特征在于,所述分类算法包括SNN算法与KNN算法;
所述通过预先确定出的分类算法识别所述样本故障告警数据集中每个所述样本故障告警数据的第一类别结果,包括:
提取所述样本故障告警数据集中每个所述样本故障告警数据中的目标变量,通过所述SNN算法对每个所述样本故障告警数据中的目标变量进行聚类,得到所述样本故障告警数据集中每个所述样本故障告警数据对应的目标聚类结果;
通过所述KNN算法对每个所述样本故障告警数据对应的目标聚类结果进行归类,得到所述样本故障告警数据集中每个所述样本故障告警数据的第一类别结果。
3.根据权利要求2所述的一种通信网管故障的确定方法,其特征在于,所述将所述样本故障告警数据集输入预训练神经网络模型中进行分析,得到所述样本故障告警数据集中每个所述样本故障告警数据的第二类别结果,包括:
提取所述样本故障告警数据集中每个所述样本故障告警数据中所包括至少一个目标影响因子,将该样本故障告警数据中所包括的所有所述目标影响因子确定为预训练神经网络模型的输入层向量;
针对所述预训练神经网络模型中所述样本故障告警数据集中每个所述样本故障告警数据的任一所述输入层的输入向量,根据该输入层的输入向量和该输入层对应的输入层的权重,对该输入层向量作加权线性处理,得到该输入层向量对应的输入层的输出向量,并将该输入层的输出向量作为该输入层对应的隐藏层的输入向量,对该隐藏层的输入向量执行第一操作,得到该隐藏层对应的输出向量;并基于该隐藏层的输出向量和该隐藏层对应的输出层的权重,对该隐藏层的输出向量作所述加权线性处理,得到该输出层的输入向量,对该输出层的输入向量执行第二操作,得到该输出层对应的输出结果;
将每个所述样本故障告警数据中所包括的所有所述目标影响因子对应的所有所述输出层对应的输出结果,确定为该样本故障告警数据的第二类别结果。
4.根据权利要求3所述的一种通信网管故障的确定方法,其特征在于,所述根据所述样本故障告警数据集中每个所述样本故障告警数据的第一类别结果与该样本故障告警数据的第二类别结果,确定故障识别模型,包括:
针对所述样本故障告警数据集中任一所述样本故障告警数据,根据每个所述样本故障告警数据的第一类别结果与该样本故障告警数据的第二类别结果,确定该样本故障告警数据的匹配度,所述匹配度越高,所述样本故障告警数据的第一类别结果与该样本故障告警数据的第二类别结果越相似;
根据所有所述样本故障告警数据的匹配度,从所述样本故障告警数据集中计算所述匹配度大于等于预先设定的匹配程度阈值的所有目标故障告警数据;
计算所有所述目标故障告警数据的目标数量,并判断所述目标数量是否大于等于预先设定的数量阈值;
当判断出所述目标数量大于等于预先设定的所述数量阈值时,将所述预训练神经网络模型确定为故障识别模型;
当判断出所述目标数量小于预先设定的所述数量阈值时,调整所述预训练神经网络模型中的参数,得到参数调整后的目标训练神经网络模型,并将所述预训练神经网络模型更新为所述目标训练神经网络模型,以及重新执行所述的将所述样本故障告警数据集输入预训练神经网络模型中进行分析,得到所述样本故障告警数据集中每个所述样本故障告警数据的第二类别结果的步骤。
5.根据权利要求4所述的一种通信网管故障的确定方法,其特征在于,所述调整所述预训练神经网络模型中的参数,得到参数调整后的目标训练神经网络模型,包括:
计算所述预训练神经网络模型中的每一输入层与该输入层对应的隐藏层之间的误差值;
根据每个所述输入层与该输入层对应的所述隐藏层之间的误差值,调整所述预训练神经网络模型中的参数,得到所述参数调整后的目标训练神经网络模型,其中,所述参数包括学习速率。
6.根据权利要求5所述的一种通信网管故障的确定方法,其特征在于,所述根据每个所述输入层与该输入层对应的所述隐藏层之间的误差值,调整所述预训练神经网络模型中的参数,得到所述参数调整后的目标训练神经网络模型,包括:
判断所有所述输入层中每个所述输入层与该输入层对应的隐藏层之间的误差值中是否存在大于等于预先设定的误差阈值的目标误差值;
当判断出存在所述目标误差值时,增大所述预训练神经网络模型的学习速率,得到参数调整后的目标训练神经网络模型。
7.根据权利要求6所述的一种通信网管故障的确定方法,其特征在于,所述获取样本故障告警数据集后,所述方法还包括:
从所述样本故障告警数据集中随机选取预先确定出的目标数量的第一样本故障告警数据;
提取每个所述第一样本故障告警数据所包括的多个影响因子,每个所述第一样本故障告警数据所包括的所有所述影响因子包括该第一样本故障告警数据的目标影响因子;
将所有所述第一样本故障告警数据中所包括的所有所述影响因子输入预先设定的神经网络模型进行训练,得到预训练神经网络模型。
8.一种通信网管故障的确定装置,其特征在于,所述装置包括:
获取模块,用于获取样本故障告警数据集,所述样本故障告警数据集包括多个样本故障告警数据;
识别模块,用于通过预先确定出的分类算法识别所述样本故障告警数据集中每个所述样本故障告警数据的第一类别结果;
分析模块,用于将所述样本故障告警数据集输入预训练神经网络模型中进行分析,得到所述样本故障告警数据集中每个所述样本故障告警数据的第二类别结果;
确定模块,用于根据所述样本故障告警数据集中每个所述样本故障告警数据的第一类别结果与该样本故障告警数据的第二类别结果,确定故障识别模型;
所述分析模块,还用于将目标告警数据输入至所述故障识别模型进行分析,得到所述目标告警数据的故障诊断结果。
9.一种通信网管故障的确定装置,其特征在于,所述装置包括:
存储有可执行程序代码的存储器;
与所述存储器耦合的处理器;
所述处理器调用所述存储器中存储的所述可执行程序代码,执行如权利要求1-7任一项所述的通信网管故障的确定方法。
10.一种计算机存储介质,其特征在于,所述计算机存储介质存储有计算机指令,所述计算机指令被调用时,用于执行如权利要求1-7任一项所述的通信网管故障的确定方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210414371.9A CN115001941B (zh) | 2022-04-20 | 2022-04-20 | 一种通信网管故障的确定方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210414371.9A CN115001941B (zh) | 2022-04-20 | 2022-04-20 | 一种通信网管故障的确定方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115001941A true CN115001941A (zh) | 2022-09-02 |
CN115001941B CN115001941B (zh) | 2023-10-13 |
Family
ID=83025752
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210414371.9A Active CN115001941B (zh) | 2022-04-20 | 2022-04-20 | 一种通信网管故障的确定方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115001941B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015158198A1 (zh) * | 2014-04-17 | 2015-10-22 | 北京泰乐德信息技术有限公司 | 一种基于神经网络自学习的故障识别方法及*** |
CN105447568A (zh) * | 2015-11-09 | 2016-03-30 | 广州供电局有限公司 | 基于bp神经网络的电力通信网故障分析方法 |
CN108647716A (zh) * | 2018-05-09 | 2018-10-12 | 北京理工大学 | 一种基于复合信息的光伏阵列故障诊断方法 |
CN110728768A (zh) * | 2019-09-27 | 2020-01-24 | 交控科技股份有限公司 | 一种道岔运维方法及*** |
CN111131069A (zh) * | 2019-11-25 | 2020-05-08 | 北京理工大学 | 一种基于深度学习策略的异常加密流量检测与分类方法 |
CN111897673A (zh) * | 2020-07-31 | 2020-11-06 | 平安科技(深圳)有限公司 | 运维故障根因识别方法、装置、计算机设备和存储介质 |
CN113282461A (zh) * | 2021-05-28 | 2021-08-20 | 中国联合网络通信集团有限公司 | 传输网的告警识别方法和装置 |
CN113381869A (zh) * | 2020-03-09 | 2021-09-10 | 中国电信股份有限公司 | 故障根因分析方法和装置、计算机可读存储介质 |
CN113887729A (zh) * | 2021-09-29 | 2022-01-04 | 广东电网有限责任公司电力调度控制中心 | 一种低压电力线载波通信***故障诊断方法 |
-
2022
- 2022-04-20 CN CN202210414371.9A patent/CN115001941B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015158198A1 (zh) * | 2014-04-17 | 2015-10-22 | 北京泰乐德信息技术有限公司 | 一种基于神经网络自学习的故障识别方法及*** |
CN105447568A (zh) * | 2015-11-09 | 2016-03-30 | 广州供电局有限公司 | 基于bp神经网络的电力通信网故障分析方法 |
CN108647716A (zh) * | 2018-05-09 | 2018-10-12 | 北京理工大学 | 一种基于复合信息的光伏阵列故障诊断方法 |
US20210135625A1 (en) * | 2018-05-09 | 2021-05-06 | Beijing Institute Of Technology | Photovoltaic array fault diagnosis method based on composite information |
CN110728768A (zh) * | 2019-09-27 | 2020-01-24 | 交控科技股份有限公司 | 一种道岔运维方法及*** |
CN111131069A (zh) * | 2019-11-25 | 2020-05-08 | 北京理工大学 | 一种基于深度学习策略的异常加密流量检测与分类方法 |
CN113381869A (zh) * | 2020-03-09 | 2021-09-10 | 中国电信股份有限公司 | 故障根因分析方法和装置、计算机可读存储介质 |
CN111897673A (zh) * | 2020-07-31 | 2020-11-06 | 平安科技(深圳)有限公司 | 运维故障根因识别方法、装置、计算机设备和存储介质 |
CN113282461A (zh) * | 2021-05-28 | 2021-08-20 | 中国联合网络通信集团有限公司 | 传输网的告警识别方法和装置 |
CN113887729A (zh) * | 2021-09-29 | 2022-01-04 | 广东电网有限责任公司电力调度控制中心 | 一种低压电力线载波通信***故障诊断方法 |
Non-Patent Citations (4)
Title |
---|
尚前明;王瑞涵;陈辉;唐新飞;: "多信息融合技术在船舶柴油机故障诊断中的应用" * |
尚前明;王瑞涵;陈辉;唐新飞;: "多信息融合技术在船舶柴油机故障诊断中的应用", 中国航海, no. 03 * |
陈家?;孙俊;贺易;张锦华;杨硕;赵世文;: "基于数据挖掘算法的通信领域故障信号识别性能分析" * |
陈家?;孙俊;贺易;张锦华;杨硕;赵世文;: "基于数据挖掘算法的通信领域故障信号识别性能分析", 电子测量技术, no. 23 * |
Also Published As
Publication number | Publication date |
---|---|
CN115001941B (zh) | 2023-10-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111353413B (zh) | 一种输电设备低漏报率缺陷识别方法 | |
CN111181939B (zh) | 一种基于集成学习的网络入侵检测方法及装置 | |
CN109635110A (zh) | 数据处理方法、装置、设备以及计算机可读存储介质 | |
CN108470022B (zh) | 一种基于运维管理的智能工单质检方法 | |
CN110929918A (zh) | 一种基于CNN和LightGBM的10kV馈线故障预测方法 | |
CN109102157A (zh) | 一种基于深度学习的银行工单派单方法及*** | |
CN111368926B (zh) | 图像筛选方法、装置和计算机可读存储介质 | |
CN112199805B (zh) | 一种输电线路隐患识别模型评估方法及装置 | |
CN113627566A (zh) | 一种网络诈骗的预警方法、装置和计算机设备 | |
CN115269342B (zh) | 一种基于边缘计算的监测云平台及其监测方法 | |
CN109558979A (zh) | 电力设备缺陷预测方法及装置 | |
CN110110095A (zh) | 一种基于长短期记忆循环神经网络的电力指令文本匹配方法 | |
CN110321555A (zh) | 一种基于循环神经网络模型的电网信号分类方法 | |
CN112419096A (zh) | 基于nlp信息萃取与少样本自学习的用户用电诉求工单自动流转方法 | |
CN110175272A (zh) | 一种基于特征建模实现工单收敛的控制方法及控制装置 | |
CN113704389A (zh) | 一种数据评估方法、装置、计算机设备及存储介质 | |
CN110008332A (zh) | 通过强化学习提取主干词的方法及装置 | |
CN112115957A (zh) | 数据流识别方法及装置、计算机存储介质 | |
CN113095511A (zh) | 一种在自动化主站实现操作到位的判断方法及装置 | |
CN113628043B (zh) | 基于数据分类的投诉有效性判断方法、装置、设备及介质 | |
CN117519951B (zh) | 基于消息中台的实时数据处理方法及*** | |
CN115809796B (zh) | 基于用户画像的项目智能派工方法及*** | |
CN115984158A (zh) | 缺陷分析方法、装置、电子设备及计算机可读存储介质 | |
CN109377436A (zh) | 一种环境精准监管方法与装置、终端设备及存储介质 | |
CN115001941A (zh) | 一种通信网管故障的确定方法及装置 |
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 |