[发明专利]一种自动化识别网络质量状态的方法

权利要求书

1.一种自动化识别网络质量状态的方法，其特征在于：包括以下步骤，

S1，采集网络数据，对有缺失的部分数据使用拉格朗日插值法做出基于临近点的填充，得到与原始数据同分布的数据集；

S2，采用主成分分析法对数据集进行降维处理，得到不损失原有数据集特征的精简数据集，构建权重矩阵、阈值矩阵和最终阈值；

S3，基于权重矩阵和阈值矩阵构建生成器，对精简数据集进行打分和比较，将其划分为质差数据和非质差数据；

S4，基于全连接神经网络构建分类器，计算出质差数据和非质差数据之间的边界，得到新的阈值矩阵，并计算与前一个阈值矩阵的欧式距离，从而判断训练是否收敛稳定；

S5，当训练未收敛稳定时，将步骤S4得到的新的阈值矩阵更新到生成器中，重复步骤S3-S4；当训练收敛稳定时，输出权重矩阵和阈值矩阵，并输出对应的分类器和生成器。

2.如权利要求1所述的一种自动化识别网络质量状态的方法，其特征在于：所述步骤S1具体包括：

将采集的数据通过numpy库读取到内存，根据拉格朗日插值法，对其中有缺失的部分数据做一定的填充。

3.如权利要求2所述的一种自动化识别网络质量状态的方法，其特征在于：所述步骤S2具体包括：

采用主成分分析法对数据集进行降维处理，按照矩阵方式存储，得到元数据矩阵X，

X矩阵为m行n列的矩阵，其中m为数据集中网络数据记录的数量，n为网络数据记录的指标数；阈值矩阵T＝[t₁ t₂ … t_n]，为1行n列的矩阵，权重矩阵W^T＝[ω₁ ω₂ … ω_n]，为1行n列的矩阵，构建超参数最终阈值T_final。

4.如权利要求3所述的一种自动化识别网络质量状态的方法，其特征在于：所述步骤S3具体包括以下步骤：

S310，阈值比较；

S320，加权打分并比较。

5.如权利要求4所述的一种自动化识别网络质量状态的方法，其特征在于：所述步骤S310具体包括：

将阈值矩阵T拓展到m行n列，记为T'，与元数据矩阵X作差，根据数据的正负性，规范化为0-1矩阵A。

6.如权利要求5所述的一种自动化识别网络质量状态的方法，其特征在于：所述步骤S320具体包括：

将0-1矩阵A与权重矩阵W^T做向量乘法，得到m行1列的最终打分矩阵B，将矩阵B的每一行参数与超参数最终阈值T_final作比较，大于T_final的视为质差记录，小于T_final的视为非质差记录。

7.如权利要求6所述的一种自动化识别网络质量状态的方法，其特征在于：所述步骤S4具体包括：

在元数据矩阵X的第n列后添加一列，记作矩阵X'，在步骤S320中的每一行参数比较后，对应质差记录的那一行后添加1，对应非质差记录的那一行后添加0；在阈值矩阵T'的第n列后添加0，变成m行n+1列矩阵T”，将矩阵X'与矩阵T”作差，得到差分矩阵D，作为第一数据集和第二数据集之间的间隔，将差分矩阵D输入到分类器做训练，使用交叉熵函数作为损失函数，通过梯度下降和反向传播在神经网络中对阈值作出修正，修正公式如下：

其中，T_n为阈值，η为学习率，为对应阈值的雅可比矩阵。

8.如权利要求7所述的一种自动化识别网络质量状态的方法，其特征在于：所述步骤S4还包括：

计算欧式距离的公式为：

其中，前一次的阈值向量为X＝(x₁,x₂,…,x_n)，后一次的阈值向量为Y＝(y₁,y₂,…,y_n)，当欧式距离趋近于0时，判断训练稳定收敛。