[发明专利]一种基于自我学习的无线网络故障检测方法

权利要求书

1.一种基于自我学习的无线网络故障检测方法，其特征在于，包括以下步骤：

步骤一、采集网络关键性能指标KPI记录并将其保存为数据集合；

步骤二、对该数据集合采用结合合成少数类过采样技术SMOTE和筛选最近邻ENN的SMOTEENN方法进行不平衡处理，获得平衡后的平衡数据集；

步骤三、通过稀疏自编码器从无标签辅助数据集中学习基向量；

步骤四、将平衡后的平衡数据集表示为各基向量线性组合的形式，并在此新表示下的平衡数据集上经支持向量机SVM方法训练得到正常与故障类别的分类模型；

步骤五、利用已建立好的分类模型对网络实时产生的KPI数据记录进行分类，进而达到故障检测的目的；

步骤三具体如下：

通过公式(1)对无标签辅助数据集A中第p个无标签样本进行操作，p＝1,2,...,g，获取无标签辅助数据集的潜在特征表示；

式中第一项将辅助数据集中第p个无标签样本表示为b加权线性组合的形式，其中b＝{b₁,b₂,…,b_s}是得到的基向量集合，s为基向量的总个数，b_j)∈Rⁿ，j＝1,2,...,s，b_j是表示的第j个基向量；a＝{a⁽¹⁾,a⁽²⁾,…,a^(g)}是激活向量集合，a中第p个元素a^(p)∈R^s，R^s为s维向量空间，a^(p)的第j个分量为b_j对应的激活量；式中第二项为L1惩罚项，β为稀疏度控制参数，其值决定了第一项和第二项的相对重要程度，s.t.表示服从其后的约束条件；

步骤四具体如下：

对平衡数据集T'中通过公式(2)，将其中表示成步骤三中所学习到的基向量集合b中元素组合的方式；

其中，h^(q)∈R^s为基向量集合b中各元素对的激活向量，h^(q)的第j个分量为b_j对应的激活量；α为惩罚项系数；求解得到的即为在基向量集合b下的新表示；T'中的中的经此操作获得其在b上的新表示，由此平衡数据集替换表示为的形式，为新表示形式下的平衡数据集；

将作为SVM分类方法的训练数据，利用拉格朗日乘子法求解公式(3)得到分类模型(ω,d)，ω、d分别对应分类决策平面的法向量和位移项；

约束条件中的上标tran表示向量的转置。

2.根据权利要求1所述的一种基于自我学习的无线网络故障检测方法，其特征在于，正常指非故障。

3.根据权利要求1所述的一种基于自我学习的无线网络故障检测方法，其特征在于，步骤一具体如下：

异构网络中，用户以测量报告的形式周期性地上报各类KPI信息；

从需要进行故障检测的异构网络中获取一定时间内用户上报的KPI信息，并根据用户上报时刻对其服务基站正常与故障状态标记相应的KPI信息；将KPI信息和对应标记保存为数据集合的形式，m为T中元素总个数，即共采集了m条记录；T中第i个元素中代表某时刻某用户上报的n维KPI信息，下标l表示有标签数据，为上报的第i条有标签KPI信息，Rⁿ为n维向量空间，i＝1,2,...,m；y⁽ⁱ⁾对应的标签，为上报时刻用户服务基站所处的状态，有正常状态和故障状态两种。

4.根据权利要求3所述的一种基于自我学习的无线网络故障检测方法，其特征在于，正常状态时y⁽ⁱ⁾＝+1，故障状态时y⁽ⁱ⁾＝-1。

5.根据权利要求3所述的一种基于自我学习的无线网络故障检测方法，其特征在于，正常状态指非故障状态。