[发明专利]一种基于深度递归网络的大数据计算机系统故障检测方法

权利要求书

1.一种基于深度递归网络的大数据计算机系统故障检测方法，其特征在于：该基于深度递归网络的大数据计算机系统故障检测方法制备方法步骤如下：

步骤一：物联网系统采用感知层、传输层和应用层三层体系架构，感知层通过大量的传感节点实时收集环境参数，传输层一般通过5G网络或者蓝牙将感知层收集的数据回传给应用层供用户分析；

步骤二：深度递归网络

S1：网络结构

深度递归网络与传统的神经网络模型并没有本质区别，都可以认为由输入层、隐藏层和输出层三层构成，其中深度递归网络隐藏层的输入来源包括当前层的输入和前序层、隐藏层的输出，假设深度网络在时刻t接收到输入x_t，隐藏层输出值为s_t，输出值为O_t，s_t的取值不仅依赖x_t，还取决于s_t-1，则有：

O_t＝g(Vs_t)

s_t＝f(Ux_t+Ws_t-1)

深度递归网络的隐藏层与输出层之间为全连接，即输出层每个节点都与隐藏层节点互联,上式中：V为输出层的权重矩阵；g是激活函数，在深度递归网络，U为输入层的权重矩阵；W为时序权重矩阵，g函数可表征为sigmoid函数和softmax函数：

隐藏层激活函数f存在多种形态，从早期传统神经网络的sigmoid函数到tanh，在深度神经网络中大多采用relu函数；

relu设计原则是当激活信号达到一定强度才生效，这也比较符合神经网络的工作原理，当激活信号为负数时，则直接抑制，这种处理方式能够在一定程度上产生稀疏解，对于复杂的网络结构，这种处理方式具有非常重要的意义，并且能够有效地抑制网络过拟合现象；

f(s)＝relu(s)＝max(o,s)

S2：系统建模

定义深度递归网络的输出为4维向量，4维向量分别对应为感知层出现异常、传输层出现异常、应用层出现异常、无异常，即向量中每一维都对应物联网系统中某一层；假设感知层出现异常时，则输出向量表征为[1，0，0，0]，物联网系统某一层出现异常时，则将输出向量某一维度置为1，当物联网系统表现正常，无异常时输出向量为[0，0，0，1]；

步骤三：数据分析

通过Matlab模拟数据分别在感知层、传输层和应用层发生数据突变，由正常数据突变为异常数据，在模拟异常数据时，控制异常数据发生的层数，保证感知层、传输层和应用层数据同时发生异常的比例占所有异常数据比例不超过50％，正常数据和异常数据的比例保持在7∶3，随着网络层数的增加，dnn和rnn的时间计算开销呈线性递增趋势，softmax作为单层结构，时间上有相对较为明显的优势。

2.根据权利要求1所述的一种基于深度递归网络的大数据计算机系统故障检测方法，其特征在于：所述步骤一中的物联网系统的信号采集主要通过感知层部署大量的传感节点，传感节点的信号具有一定的频段信息，当传感节点发生数据异常时，传输层接收到的信号会发生偏差，并链式反馈到应用层。

3.根据权利要求1所述的一种基于深度递归网络的大数据计算机系统故障检测方法，其特征在于：所述步骤一中的V为输出层的权重矩阵，g是激活函数，在深度递归网络中隐藏层又称为循环层，U为输入层的权重矩阵，W为时序权重矩阵，在上式中表征隐藏层s_t-1与s_t之间权重矩阵，f同样表示为激活函数，g作为激活函数根据输出结果大致可分为二分类或多分类问题。