一種電信業(yè)務(wù)的故障識(shí)別與定位的方法及系統(tǒng)的制作方法
【專(zhuān)利摘要】本發(fā)明提供了一種電信業(yè)務(wù)的故障識(shí)別與定位的方法及系統(tǒng)，所述方法包括：根據(jù)代表故障源的業(yè)務(wù)特征值和故障現(xiàn)象之間的相關(guān)系數(shù)，從樣本數(shù)據(jù)中選擇作為反向傳遞BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練的業(yè)務(wù)特征值；為已選擇出的每個(gè)業(yè)務(wù)特征值確定一個(gè)基于BP神經(jīng)網(wǎng)絡(luò)的弱分類(lèi)器，并將弱分類(lèi)器進(jìn)行線性組合，得到對(duì)應(yīng)的強(qiáng)分類(lèi)器；按照各個(gè)業(yè)務(wù)特征值與故障現(xiàn)象之間的相關(guān)系數(shù)的大小順序，將各個(gè)業(yè)務(wù)特征值對(duì)應(yīng)的強(qiáng)分類(lèi)器串聯(lián)，并對(duì)串聯(lián)后的強(qiáng)分類(lèi)器進(jìn)行訓(xùn)練，得到用于多故障源識(shí)別的層分類(lèi)器；利用所述層分類(lèi)器對(duì)電信業(yè)務(wù)過(guò)程中產(chǎn)生的業(yè)務(wù)數(shù)據(jù)和/或網(wǎng)絡(luò)數(shù)據(jù)進(jìn)行故障識(shí)別及定位。本發(fā)明能夠減少神經(jīng)網(wǎng)絡(luò)所需的訓(xùn)練樣本量，提高故障檢測(cè)實(shí)時(shí)性，并便于定位故障原因。
【專(zhuān)利說(shuō)明】-種電信業(yè)務(wù)的故障識(shí)別與定位的方法及系統(tǒng)

【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及電信網(wǎng)絡(luò)中的核心網(wǎng)、網(wǎng)管及業(yè)務(wù)支撐領(lǐng)域，具體涉及一種電信業(yè)務(wù) 的故障識(shí)別與定位的方法及系統(tǒng)。

【背景技術(shù)】
[0002] 隨著電信業(yè)和信息服務(wù)技術(shù)業(yè)的發(fā)展，電信業(yè)務(wù)量也快速增長(zhǎng)，所發(fā)生的故障數(shù) 量也就會(huì)隨之提升，這成為提升用戶(hù)滿(mǎn)意度、增強(qiáng)運(yùn)營(yíng)商公司的通信服務(wù)與用戶(hù)之間的黏 性的一個(gè)巨大障礙。
[0003] 當(dāng)前，解決故障的一個(gè)重要步驟是進(jìn)行故障識(shí)別和定位，確定故障。這一步驟通常 的實(shí)現(xiàn)方法是：人工識(shí)別故障，即根據(jù)業(yè)務(wù)數(shù)據(jù)和維護(hù)工作人員的經(jīng)驗(yàn)，判定哪個(gè)方面存在 故障，具體的判斷的流程如下圖1所示。
[0004] 圖1中，0CS為在線計(jì)費(fèi)系統(tǒng)（Online Charging System) ;HLR為歸屬位置寄存系 統(tǒng)（Host Location Register) ；B0SS % Business Operating Support System。上述三個(gè) 系統(tǒng)統(tǒng)稱(chēng)為業(yè)務(wù)系統(tǒng)。對(duì)業(yè)務(wù)系統(tǒng)運(yùn)行過(guò)程中產(chǎn)生的數(shù)據(jù)進(jìn)行采樣，可以得到業(yè)務(wù)數(shù)據(jù)。當(dāng) 業(yè)務(wù)系統(tǒng)出現(xiàn)故障時(shí)，當(dāng)前的處理方式為：前臺(tái)的客服人員收到客戶(hù)提交的故障信息后，將 故障處理任務(wù)交給后臺(tái)維護(hù)人員，后臺(tái)維護(hù)人員根據(jù)客戶(hù)和前臺(tái)客服人員提供的信息來(lái)確 認(rèn)故障，并定位故障的原因，然后解決問(wèn)題。這是一種被動(dòng)的、延遲的模式，即必須在客戶(hù)投 訴后或者前臺(tái)提供相關(guān)的報(bào)錯(cuò)信息時(shí)才能發(fā)現(xiàn)故障。顯然，這種處理故障的方式就不會(huì)及 時(shí)，從而影響到客戶(hù)的滿(mǎn)意度，降低用戶(hù)對(duì)運(yùn)營(yíng)商服務(wù)的認(rèn)同度。
[0005] 神經(jīng)網(wǎng)絡(luò)又稱(chēng)為人工神經(jīng)網(wǎng)絡(luò)、神經(jīng)計(jì)算，連接主義人工智能，并行分布處理等。 一個(gè)神經(jīng)網(wǎng)絡(luò)是一個(gè)由簡(jiǎn)單處理元構(gòu)成的規(guī)模宏大的并行分布處理器，具有存儲(chǔ)經(jīng)驗(yàn)知識(shí) 和使之可用的特性。通過(guò)采用圖2所示的神經(jīng)網(wǎng)絡(luò)，可以對(duì)故障進(jìn)行實(shí)時(shí)檢測(cè)，以縮短故障 發(fā)生時(shí)處理的時(shí)間。
[0006] 圖2中，系統(tǒng)從0CS、HLR、B0SS和網(wǎng)絡(luò)中采集的數(shù)據(jù)，通過(guò)神經(jīng)網(wǎng)絡(luò)輸入層實(shí)時(shí)輸 入到經(jīng)過(guò)訓(xùn)練的神經(jīng)網(wǎng)絡(luò)中，根據(jù)預(yù)測(cè)的故障的種類(lèi)，輸出層的不同的輸入神經(jīng)元產(chǎn)生的 輸入表明不同的系統(tǒng)故障。
[0007] 圖1所示的采用人工識(shí)別的故障識(shí)別方式是一種被動(dòng)的、延遲的模式，即必須在 客戶(hù)投訴后或者前臺(tái)有相關(guān)的報(bào)錯(cuò)時(shí)才去發(fā)現(xiàn)故障，那么這樣處理故障就不會(huì)及時(shí)，從而 影響用戶(hù)對(duì)服務(wù)的認(rèn)同。而圖2所示基于神經(jīng)網(wǎng)絡(luò)的故障檢測(cè)模型則存在著以下問(wèn)題：
[0008] (1)所有的故障都在一個(gè)神經(jīng)網(wǎng)絡(luò)中檢測(cè)，導(dǎo)致用于訓(xùn)練的樣本數(shù)據(jù)量極大，這阻 礙了該類(lèi)模型的實(shí)用性。
[0009] 用于檢測(cè)故障的神經(jīng)網(wǎng)絡(luò)的輸入接入了所有系統(tǒng)運(yùn)行數(shù)據(jù)，而輸入則產(chǎn)生所有的 代表故障現(xiàn)象的故障信號(hào)。在訓(xùn)練時(shí)，任何一類(lèi)現(xiàn)象的產(chǎn)生都需要所有的輸入的數(shù)據(jù)，從輸 入和輸出的維度來(lái)看，要確定任何一類(lèi)的故障所需要的樣本數(shù)據(jù)量都極大，這使得要訓(xùn)練 好這樣的一個(gè)檢測(cè)神經(jīng)網(wǎng)絡(luò)需要大量的樣本數(shù)據(jù)，這對(duì)于一個(gè)處于建設(shè)初期的故障檢測(cè)系 統(tǒng)和才關(guān)注故障檢測(cè)的運(yùn)行機(jī)構(gòu)來(lái)說(shuō)，難度較大。
[0010] (2)對(duì)于訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)來(lái)說(shuō)，由于其結(jié)構(gòu)復(fù)雜，同時(shí)要計(jì)算各類(lèi)故障，導(dǎo)致計(jì) 算量大極具增大，這使得實(shí)時(shí)檢測(cè)的延時(shí)較大。
[0011] 故障檢測(cè)的目的在于盡量縮短故障的響應(yīng)時(shí)間，因此，包括故障識(shí)別和故障定位 兩個(gè)過(guò)程的故障檢測(cè)的實(shí)時(shí)性非常重要。如果神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)復(fù)雜，則需要計(jì)算的復(fù)雜度增 大，計(jì)算時(shí)間將延長(zhǎng)，這將不利于縮短故障識(shí)別和故障定位的時(shí)間。
[0012] (3)用于識(shí)別和定位故障的檢測(cè)神經(jīng)網(wǎng)絡(luò)沒(méi)有在故障現(xiàn)象(輸出）和故障原因(輸 入）之間建立起明確的關(guān)系，這樣導(dǎo)致不容易定位故障原因。


【發(fā)明內(nèi)容】

[0013] 有鑒于此，本發(fā)明實(shí)施例的目的是提供一種電信業(yè)務(wù)的故障識(shí)別與定位的方法及 系統(tǒng)，能夠減少神經(jīng)網(wǎng)絡(luò)所需的訓(xùn)練樣本量，提高故障檢測(cè)實(shí)時(shí)性，并便于定位故障原因。
[0014] 為解決上述技術(shù)問(wèn)題，本發(fā)明實(shí)施例提供方案如下：
[0015] 本發(fā)明實(shí)施例提供了一種電信業(yè)務(wù)的故障識(shí)別與定位的方法，包括：
[0016] 根據(jù)代表故障源的業(yè)務(wù)特征值和故障現(xiàn)象之間的相關(guān)系數(shù)，從樣本數(shù)據(jù)中選擇相 關(guān)系數(shù)大于預(yù)設(shè)閾值的業(yè)務(wù)特征值，作為反向傳遞BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練的業(yè)務(wù)特征值；
[0017] 為已選擇出的每個(gè)業(yè)務(wù)特征值確定一個(gè)基于BP神經(jīng)網(wǎng)絡(luò)的弱分類(lèi)器，并將所確 定的弱分類(lèi)器進(jìn)行線性組合，得到該業(yè)務(wù)特征值對(duì)應(yīng)的一個(gè)強(qiáng)分類(lèi)器；
[0018] 按照各個(gè)業(yè)務(wù)特征值與故障現(xiàn)象之間的相關(guān)系數(shù)的大小順序，將各個(gè)業(yè)務(wù)特征值 對(duì)應(yīng)的強(qiáng)分類(lèi)器串聯(lián)，并采用包括多故障源數(shù)據(jù)和故障現(xiàn)象的樣本數(shù)據(jù)對(duì)串聯(lián)后的強(qiáng)分類(lèi) 器進(jìn)行訓(xùn)練，得到用于多故障源識(shí)別的層分類(lèi)器；
[0019] 利用所述層分類(lèi)器對(duì)電信業(yè)務(wù)過(guò)程中產(chǎn)生的業(yè)務(wù)數(shù)據(jù)和/或網(wǎng)絡(luò)數(shù)據(jù)進(jìn)行故障 識(shí)別及定位。
[0020] 進(jìn)一步地，上述方案中，所述利用所述層分類(lèi)器對(duì)電信業(yè)務(wù)過(guò)程中產(chǎn)生的業(yè)務(wù)數(shù) 據(jù)和/或網(wǎng)絡(luò)數(shù)據(jù)進(jìn)行故障識(shí)別及定位，包括：將電信業(yè)務(wù)過(guò)程中產(chǎn)生的業(yè)務(wù)數(shù)據(jù)和/或網(wǎng) 絡(luò)數(shù)據(jù)輸入所述層分類(lèi)器，根據(jù)各個(gè)強(qiáng)分類(lèi)器產(chǎn)生的輸出，定位故障原因。
[0021] 進(jìn)一步地，上述方案中，所述為已選擇出的每個(gè)業(yè)務(wù)特征值確定一個(gè)基于BP神經(jīng) 網(wǎng)絡(luò)的弱分類(lèi)器，包括：
[0022] 為已選擇出的各個(gè)業(yè)務(wù)特征值，建立一個(gè)基于BP神經(jīng)網(wǎng)絡(luò)的弱分類(lèi)器；
[0023] 采用預(yù)先得到的包含正反業(yè)務(wù)數(shù)據(jù)的樣本數(shù)據(jù)組合，訓(xùn)練所述弱分類(lèi)器識(shí)別單故 障源，直至達(dá)到預(yù)定的訓(xùn)練次數(shù)，得到訓(xùn)練后的弱分類(lèi)器，其中，每執(zhí)行一次訓(xùn)練后估算訓(xùn) 練目標(biāo)誤差，選擇其中誤差最小的分類(lèi)器并降低該分類(lèi)器的權(quán)值。
[0024] 進(jìn)一步地，上述方案中，所述采用包括多故障源數(shù)據(jù)和故障現(xiàn)象的樣本數(shù)據(jù)分別 對(duì)串聯(lián)后的強(qiáng)分類(lèi)器進(jìn)行訓(xùn)練，得到用于多故障源識(shí)別的層分類(lèi)器，包括：
[0025] 采用包括多故障源數(shù)據(jù)和故障現(xiàn)象的樣本數(shù)據(jù)，對(duì)串聯(lián)后的強(qiáng)分類(lèi)器進(jìn)行訓(xùn)練， 直至達(dá)到預(yù)定的訓(xùn)練次數(shù)，得到所述層分類(lèi)器，其中，每執(zhí)行一次訓(xùn)練后估算訓(xùn)練目標(biāo)誤 差，選擇其中誤差最小的分類(lèi)器并降低該分類(lèi)器的權(quán)值。
[0026] 進(jìn)一步地，上述方案中，進(jìn)一步選擇與故障現(xiàn)象之間的相關(guān)系數(shù)大于預(yù)設(shè)閾值的 業(yè)務(wù)特征值，將所選擇的業(yè)務(wù)特征值對(duì)應(yīng)的強(qiáng)分類(lèi)器進(jìn)行所述串聯(lián)。
[0027] 本發(fā)明實(shí)施例還提供了一種電信業(yè)務(wù)的故障識(shí)別與定位的系統(tǒng)，包括：
[0028] 特征值選取單元，用于根據(jù)代表故障源的業(yè)務(wù)特征值和故障現(xiàn)象之間的相關(guān)系 數(shù)，從樣本數(shù)據(jù)中選擇相關(guān)系數(shù)大于預(yù)設(shè)閾值的業(yè)務(wù)特征值，作為反向傳遞BP神經(jīng)網(wǎng)絡(luò)訓(xùn) 練的業(yè)務(wù)特征值；
[0029] 單故障源識(shí)別單元，用于為已選擇出的每個(gè)業(yè)務(wù)特征值確定一個(gè)基于BP神經(jīng)網(wǎng) 絡(luò)的弱分類(lèi)器，并將所確定的弱分類(lèi)器進(jìn)行線性組合，得到該業(yè)務(wù)特征值對(duì)應(yīng)的一個(gè)強(qiáng)分 類(lèi)器；
[0030] 多故障源識(shí)別單元，用于按照各個(gè)業(yè)務(wù)特征值與故障現(xiàn)象之間的相關(guān)系數(shù)的大小 順序，將各個(gè)業(yè)務(wù)特征值對(duì)應(yīng)的強(qiáng)分類(lèi)器串聯(lián)，并采用包括多故障源數(shù)據(jù)和故障現(xiàn)象的樣 本數(shù)據(jù)對(duì)串聯(lián)后的強(qiáng)分類(lèi)器進(jìn)行訓(xùn)練，得到用于多故障源識(shí)別的層分類(lèi)器；
[0031] 業(yè)務(wù)處理單元，用于利用所述層分類(lèi)器對(duì)電信業(yè)務(wù)過(guò)程中產(chǎn)生的業(yè)務(wù)數(shù)據(jù)和/或 網(wǎng)絡(luò)數(shù)據(jù)進(jìn)行故障識(shí)別及定位。
[0032] 進(jìn)一步地，上述方案中，所述業(yè)務(wù)處理單元，進(jìn)一步將電信業(yè)務(wù)過(guò)程中產(chǎn)生的業(yè)務(wù) 數(shù)據(jù)和/或網(wǎng)絡(luò)數(shù)據(jù)輸入所述層分類(lèi)器，根據(jù)各個(gè)強(qiáng)分類(lèi)器產(chǎn)生的輸出，定位故障原因。
[0033] 進(jìn)一步地，上述方案中，所述單故障源識(shí)別單元，進(jìn)一步用于為已選擇出的各個(gè)業(yè) 務(wù)特征值，建立一個(gè)基于BP神經(jīng)網(wǎng)絡(luò)的弱分類(lèi)器；采用預(yù)先得到的包含正反業(yè)務(wù)數(shù)據(jù)的樣 本數(shù)據(jù)組合，訓(xùn)練所述弱分類(lèi)器識(shí)別單故障源，直至達(dá)到預(yù)定的訓(xùn)練次數(shù)，得到訓(xùn)練后的弱 分類(lèi)器，其中，每執(zhí)行一次訓(xùn)練后估算訓(xùn)練目標(biāo)誤差，選擇其中誤差最小的分類(lèi)器并降低該 分類(lèi)器的權(quán)值。
[0034] 進(jìn)一步地，上述方案中，所述多故障源識(shí)別單元，進(jìn)一步用于采用包括多故障源數(shù) 據(jù)和故障現(xiàn)象的樣本數(shù)據(jù)，對(duì)串聯(lián)后的強(qiáng)分類(lèi)器進(jìn)行訓(xùn)練，直至達(dá)到預(yù)定的訓(xùn)練次數(shù)，得到 所述層分類(lèi)器，其中，每執(zhí)行一次訓(xùn)練后估算訓(xùn)練目標(biāo)誤差，選擇其中誤差最小的分類(lèi)器并 降低該分類(lèi)器的權(quán)值。
[0035] 進(jìn)一步地，上述方案中，所述多故障源識(shí)別單元，進(jìn)一步用于選擇與故障現(xiàn)象之間 的相關(guān)系數(shù)大于預(yù)設(shè)閾值的業(yè)務(wù)特征值，將所選擇的業(yè)務(wù)特征值對(duì)應(yīng)的強(qiáng)分類(lèi)器進(jìn)行所述 串聯(lián)。
[0036] 從以上所述可以看出，本發(fā)明實(shí)施例提供的電信業(yè)務(wù)的故障識(shí)別與定位的方法及 系統(tǒng)，能夠準(zhǔn)確的識(shí)別出故障并定位，可以減少人為檢查業(yè)務(wù)數(shù)據(jù)的工作量。本發(fā)明實(shí)施例 還具有訓(xùn)練樣本量不大、故障檢測(cè)實(shí)時(shí)性高和故障原因定位快速等優(yōu)點(diǎn)。

【專(zhuān)利附圖】

【附圖說(shuō)明】
[0037] 圖1為現(xiàn)有技術(shù)中人工識(shí)別故障的示意圖；
[0038] 圖2為應(yīng)用神經(jīng)網(wǎng)絡(luò)進(jìn)行故障識(shí)別的示意圖；
[0039] 圖3為本發(fā)明實(shí)施例所述方法的流程示意圖；
[0040] 圖4為本發(fā)明實(shí)施例所述系統(tǒng)的結(jié)構(gòu)示意圖；
[0041] 圖5為本發(fā)明實(shí)施例中的層疊神經(jīng)網(wǎng)絡(luò)集成結(jié)構(gòu)的示意圖；
[0042] 圖6為本發(fā)明實(shí)施例提供的層分類(lèi)器的結(jié)構(gòu)示意圖。

【具體實(shí)施方式】
[0043] 從現(xiàn)有的故障規(guī)避(故障解決）的經(jīng)驗(yàn)來(lái)看，最容易降低用戶(hù)滿(mǎn)意度的環(huán)節(jié)，也是 最花費(fèi)時(shí)間的環(huán)節(jié)是故障定位，即不能快速地找到故障的原因，把故障消除。因此，如果能 在短時(shí)間內(nèi)能夠識(shí)別到故障、定位故障，這將大大縮短解決故障的時(shí)間，提高用戶(hù)的滿(mǎn)意 度。同時(shí)，如果在故障現(xiàn)象和故障原因之間確立明確的關(guān)系，對(duì)于縮短故障解決時(shí)間，也具 有非常重要的意義。
[0044] 基于以上分析，本發(fā)明實(shí)施例提供了一種電信業(yè)務(wù)的故障識(shí)別與定位的方法及系 統(tǒng)，能夠減少所需的訓(xùn)練樣本量，提高故障檢測(cè)實(shí)時(shí)性，并便于定位故障原因。本發(fā)明實(shí)施 例的方法，能夠主動(dòng)的去分析現(xiàn)有的業(yè)務(wù)數(shù)據(jù)或網(wǎng)絡(luò)數(shù)據(jù)，從而能夠發(fā)現(xiàn)故障，并快速確定 故障原因，以幫助維護(hù)人員快速地解決故障問(wèn)題。這里，業(yè)務(wù)數(shù)據(jù)是從業(yè)務(wù)系統(tǒng)輸出的數(shù) 據(jù)，網(wǎng)絡(luò)數(shù)據(jù)是電信網(wǎng)絡(luò)(如接入網(wǎng)、核心網(wǎng)等）運(yùn)行過(guò)程中產(chǎn)生的數(shù)據(jù)。
[0045] 為使本發(fā)明的目的、技術(shù)方案和優(yōu)點(diǎn)更加清楚，下面將結(jié)合附圖及具體實(shí)施例對(duì) 本發(fā)明進(jìn)行詳細(xì)描述。
[0046] 請(qǐng)參照?qǐng)D3,本發(fā)明實(shí)施例所述的電信業(yè)務(wù)的故障識(shí)別與定位的方法，包括以下步 驟：
[0047] 步驟31，根據(jù)代表故障源的業(yè)務(wù)特征值和故障現(xiàn)象之間的相關(guān)系數(shù)，從樣本數(shù)據(jù) 中選擇相關(guān)系數(shù)大于預(yù)設(shè)閾值的業(yè)務(wù)特征值，作為反向傳遞（BP, Back Propagation)神經(jīng) 網(wǎng)絡(luò)訓(xùn)練的業(yè)務(wù)特征值。
[0048] 本步驟中，通過(guò)相關(guān)系數(shù)對(duì)樣本數(shù)據(jù)進(jìn)行降維處理，選取合適的特征值進(jìn)行后續(xù) 計(jì)算，以減少計(jì)算工作量，提高計(jì)算速度。
[0049] 步驟32,根據(jù)AdaBoost算法，為已選擇出的每個(gè)業(yè)務(wù)特征值確定一個(gè)基于BP神經(jīng) 網(wǎng)絡(luò)的弱分類(lèi)器，并將所確定的弱分類(lèi)器進(jìn)行線性組合，得到該業(yè)務(wù)特征值對(duì)應(yīng)的一個(gè)強(qiáng) 分類(lèi)器。
[0050] 本步驟中，為已選擇出的各個(gè)業(yè)務(wù)特征值，建立一個(gè)基于BP神經(jīng)網(wǎng)絡(luò)的弱分類(lèi) 器；采用預(yù)先得到的包含正反業(yè)務(wù)數(shù)據(jù)的樣本數(shù)據(jù)組合，訓(xùn)練所述弱分類(lèi)器識(shí)別單故障源， 直至達(dá)到預(yù)定的訓(xùn)練次數(shù)，得到訓(xùn)練后的弱分類(lèi)器，其中，每執(zhí)行一次訓(xùn)練后估算訓(xùn)練目標(biāo) 誤差，選擇其中誤差最小的分類(lèi)器并降低該分類(lèi)器的權(quán)值；然后，對(duì)訓(xùn)練后的弱分類(lèi)器進(jìn)行 線性的組合，得到一個(gè)強(qiáng)分類(lèi)器。
[0051] 步驟33,按照各個(gè)業(yè)務(wù)特征值與故障現(xiàn)象之間的相關(guān)系數(shù)的大小順序，將各個(gè)業(yè) 務(wù)特征值對(duì)應(yīng)的強(qiáng)分類(lèi)器串聯(lián)，并采用包括多故障源數(shù)據(jù)和故障現(xiàn)象的樣本數(shù)據(jù)對(duì)串聯(lián)后 的強(qiáng)分類(lèi)器進(jìn)行訓(xùn)練，得到用于多故障源識(shí)別的層分類(lèi)器。
[0052] 本步驟中，進(jìn)一步選擇與故障現(xiàn)象之間的相關(guān)系數(shù)大于預(yù)設(shè)閾值的業(yè)務(wù)特征值， 將所選擇的業(yè)務(wù)特征值對(duì)應(yīng)的強(qiáng)分類(lèi)器進(jìn)行所述串聯(lián)。然后，通過(guò)采用包括多故障源數(shù)據(jù) 和故障現(xiàn)象的樣本數(shù)據(jù)，對(duì)串聯(lián)后的強(qiáng)分類(lèi)器進(jìn)行訓(xùn)練，直至達(dá)到預(yù)定的訓(xùn)練次數(shù)，得到所 述層分類(lèi)器，其中，每執(zhí)行一次訓(xùn)練后估算訓(xùn)練目標(biāo)誤差，選擇其中誤差最小的分類(lèi)器并降 低該分類(lèi)器的權(quán)值。
[0053] 步驟34,利用所述層分類(lèi)器對(duì)電信業(yè)務(wù)過(guò)程中產(chǎn)生的業(yè)務(wù)數(shù)據(jù)和/或網(wǎng)絡(luò)數(shù)據(jù)進(jìn) 行故障識(shí)別及定位。
[0054] 本步驟中，通過(guò)將電信業(yè)務(wù)過(guò)程中產(chǎn)生的業(yè)務(wù)數(shù)據(jù)和/或網(wǎng)絡(luò)數(shù)據(jù)輸入所述層分 類(lèi)器，然后根據(jù)各個(gè)強(qiáng)分類(lèi)器產(chǎn)生的輸出，定位故障原因。
[0055] 從以上方法可以看出，本發(fā)明實(shí)施例通過(guò)相關(guān)性分析，對(duì)訓(xùn)練和檢測(cè)的數(shù)據(jù)降維， 降低了對(duì)訓(xùn)練樣本數(shù)量的要求，使得本發(fā)明實(shí)施例中提出的故障檢測(cè)技術(shù)實(shí)際可行。而且， 本發(fā)明實(shí)施例通過(guò)分層的故障檢測(cè)器的設(shè)計(jì)安排，將復(fù)雜的計(jì)算分解成簡(jiǎn)單的計(jì)算，提高 了故障檢測(cè)的實(shí)時(shí)性。最后，本發(fā)明實(shí)施例提供了一種分層結(jié)構(gòu)的層分類(lèi)器，該層分類(lèi)器的 每個(gè)強(qiáng)分類(lèi)器的輸出對(duì)應(yīng)于一個(gè)故障，這樣，在某個(gè)強(qiáng)分類(lèi)器產(chǎn)生輸出時(shí)即可以定位到對(duì) 應(yīng)的故障原因，提高了故障原因定位的速度。
[0056] 基于以上方法，本發(fā)明實(shí)施例還相應(yīng)的提供了一種電信業(yè)務(wù)的故障識(shí)別與定位的 系統(tǒng)，如圖4所示，該系統(tǒng)包括：
[0057] 特征值選取單元，用于根據(jù)代表故障源的業(yè)務(wù)特征值和故障現(xiàn)象之間的相關(guān)系 數(shù)，從樣本數(shù)據(jù)中選擇相關(guān)系數(shù)大于預(yù)設(shè)閾值的業(yè)務(wù)特征值，作為反向傳遞BP神經(jīng)網(wǎng)絡(luò)訓(xùn) 練的業(yè)務(wù)特征值；
[0058] 單故障源識(shí)別單元，用于根據(jù)AdaBoost算法，為已選擇出的每個(gè)業(yè)務(wù)特征值確定 一個(gè)基于BP神經(jīng)網(wǎng)絡(luò)的弱分類(lèi)器，并將所確定的弱分類(lèi)器進(jìn)行線性組合，得到該業(yè)務(wù)特征 值對(duì)應(yīng)的一個(gè)強(qiáng)分類(lèi)器；
[0059] 多故障源識(shí)別單元，用于按照各個(gè)業(yè)務(wù)特征值與故障現(xiàn)象之間的相關(guān)系數(shù)的大小 順序，將各個(gè)業(yè)務(wù)特征值對(duì)應(yīng)的強(qiáng)分類(lèi)器串聯(lián)，并采用包括多故障源數(shù)據(jù)和故障現(xiàn)象的樣 本數(shù)據(jù)對(duì)串聯(lián)后的強(qiáng)分類(lèi)器進(jìn)行訓(xùn)練，得到用于多故障源識(shí)別的層分類(lèi)器；
[0060] 業(yè)務(wù)處理單元，用于利用所述層分類(lèi)器對(duì)電信業(yè)務(wù)過(guò)程中產(chǎn)生的業(yè)務(wù)數(shù)據(jù)和/或 網(wǎng)絡(luò)數(shù)據(jù)進(jìn)行故障識(shí)別及定位。
[0061] 優(yōu)選地，所述業(yè)務(wù)處理單元，進(jìn)一步將電信業(yè)務(wù)過(guò)程中產(chǎn)生的業(yè)務(wù)數(shù)據(jù)和/或網(wǎng) 絡(luò)數(shù)據(jù)輸入所述層分類(lèi)器，根據(jù)各個(gè)強(qiáng)分類(lèi)器產(chǎn)生的輸出，定位故障原因。
[0062] 優(yōu)選地，所述單故障源識(shí)別單元，進(jìn)一步用于為已選擇出的各個(gè)業(yè)務(wù)特征值，建立 一個(gè)基于BP神經(jīng)網(wǎng)絡(luò)的弱分類(lèi)器；采用預(yù)先得到的包含正反業(yè)務(wù)數(shù)據(jù)的樣本數(shù)據(jù)組合，訓(xùn) 練所述弱分類(lèi)器識(shí)別單故障源，直至達(dá)到預(yù)定的訓(xùn)練次數(shù)，得到訓(xùn)練后的弱分類(lèi)器，其中， 每執(zhí)行一次訓(xùn)練后估算訓(xùn)練目標(biāo)誤差，選擇其中誤差最小的分類(lèi)器并降低該分類(lèi)器的權(quán) 值。
[0063] 優(yōu)選地，所述多故障源識(shí)別單元，進(jìn)一步用于采用包括多故障源數(shù)據(jù)和故障現(xiàn)象 的樣本數(shù)據(jù)，對(duì)串聯(lián)后的強(qiáng)分類(lèi)器進(jìn)行訓(xùn)練，直至達(dá)到預(yù)定的訓(xùn)練次數(shù)，得到所述層分類(lèi) 器，其中，每執(zhí)行一次訓(xùn)練后估算訓(xùn)練目標(biāo)誤差，選擇其中誤差最小的分類(lèi)器并降低該分類(lèi) 器的權(quán)值。
[0064] 優(yōu)選地，所述多故障源識(shí)別單元，進(jìn)一步用于選擇與故障現(xiàn)象之間的相關(guān)系數(shù)大 于預(yù)設(shè)閾值的業(yè)務(wù)特征值，將所選擇的業(yè)務(wù)特征值對(duì)應(yīng)的強(qiáng)分類(lèi)器進(jìn)行所述串聯(lián)。
[0065] 為更好地理解以上方法，下面將通過(guò)更為詳細(xì)的說(shuō)明，對(duì)本發(fā)明的具體實(shí)施例作 進(jìn)一步闡述。
[0066] 請(qǐng)參照?qǐng)D5,圖5提供了本發(fā)明實(shí)施例用于故障的識(shí)別和定位的層疊神經(jīng)網(wǎng)絡(luò)集 成結(jié)構(gòu)。該神經(jīng)網(wǎng)絡(luò)集成結(jié)構(gòu)主要實(shí)現(xiàn)三個(gè)功能：（1)分析故障源和故障現(xiàn)象數(shù)據(jù)的相關(guān) 性，分故障現(xiàn)象確定樣本數(shù)據(jù)；（2)訓(xùn)練神經(jīng)網(wǎng)絡(luò)(分類(lèi)器）用于單故障源(單特征值）的識(shí) 別；（3)集成神經(jīng)網(wǎng)絡(luò)，形成層疊分類(lèi)器，用于多故障源（多特征值）的識(shí)別。以下分別進(jìn)行 說(shuō)明。
[0067] (1)相關(guān)性分析，確定樣本數(shù)據(jù)的輸入特征值
[0068] 樣本數(shù)據(jù)的特征值(維度）眾多，為了減少神經(jīng)網(wǎng)絡(luò)的計(jì)算量，本發(fā)明實(shí)施例對(duì)樣 本數(shù)據(jù)的輸入進(jìn)行降維處理，即選擇合適的特征值。
[0069] 作為一種優(yōu)選實(shí)施方式，采用如下公式的相關(guān)性分析來(lái)選擇特征值。
[0070]

【權(quán)利要求】
1. 一種電信業(yè)務(wù)的故障識(shí)別與定位的方法，其特征在于，包括： 根據(jù)代表故障源的業(yè)務(wù)特征值和故障現(xiàn)象之間的相關(guān)系數(shù)，從樣本數(shù)據(jù)中選擇相關(guān)系 數(shù)大于預(yù)設(shè)閾值的業(yè)務(wù)特征值，作為反向傳遞BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練的業(yè)務(wù)特征值； 為已選擇出的每個(gè)業(yè)務(wù)特征值確定一個(gè)基于BP神經(jīng)網(wǎng)絡(luò)的弱分類(lèi)器，并將所確定的 弱分類(lèi)器進(jìn)行線性組合，得到該業(yè)務(wù)特征值對(duì)應(yīng)的一個(gè)強(qiáng)分類(lèi)器； 按照各個(gè)業(yè)務(wù)特征值與故障現(xiàn)象之間的相關(guān)系數(shù)的大小順序，將各個(gè)業(yè)務(wù)特征值對(duì)應(yīng) 的強(qiáng)分類(lèi)器串聯(lián)，并采用包括多故障源數(shù)據(jù)和故障現(xiàn)象的樣本數(shù)據(jù)對(duì)串聯(lián)后的強(qiáng)分類(lèi)器進(jìn) 行訓(xùn)練，得到用于多故障源識(shí)別的層分類(lèi)器； 利用所述層分類(lèi)器對(duì)電信業(yè)務(wù)過(guò)程中產(chǎn)生的業(yè)務(wù)數(shù)據(jù)和/或網(wǎng)絡(luò)數(shù)據(jù)進(jìn)行故障識(shí)別 及定位。
2. 如權(quán)利要求1所述的方法，其特征在于，所述利用所述層分類(lèi)器對(duì)電信業(yè)務(wù)過(guò)程中 產(chǎn)生的業(yè)務(wù)數(shù)據(jù)和/或網(wǎng)絡(luò)數(shù)據(jù)進(jìn)行故障識(shí)別及定位，包括：將電信業(yè)務(wù)過(guò)程中產(chǎn)生的業(yè) 務(wù)數(shù)據(jù)和/或網(wǎng)絡(luò)數(shù)據(jù)輸入所述層分類(lèi)器，根據(jù)各個(gè)強(qiáng)分類(lèi)器產(chǎn)生的輸出，定位故障原因。
3. 如權(quán)利要求1所述的方法，其特征在于，所述為已選擇出的每個(gè)業(yè)務(wù)特征值確定一 個(gè)基于BP神經(jīng)網(wǎng)絡(luò)的弱分類(lèi)器，包括： 為已選擇出的各個(gè)業(yè)務(wù)特征值，建立一個(gè)基于BP神經(jīng)網(wǎng)絡(luò)的弱分類(lèi)器； 采用預(yù)先得到的包含正反業(yè)務(wù)數(shù)據(jù)的樣本數(shù)據(jù)組合，訓(xùn)練所述弱分類(lèi)器識(shí)別單故障 源，直至達(dá)到預(yù)定的訓(xùn)練次數(shù)，得到訓(xùn)練后的弱分類(lèi)器，其中，每執(zhí)行一次訓(xùn)練后估算訓(xùn)練 目標(biāo)誤差，選擇其中誤差最小的分類(lèi)器并降低該分類(lèi)器的權(quán)值。
4. 如權(quán)利要求1所述的方法，其特征在于，所述采用包括多故障源數(shù)據(jù)和故障現(xiàn)象的 樣本數(shù)據(jù)分別對(duì)串聯(lián)后的強(qiáng)分類(lèi)器進(jìn)行訓(xùn)練，得到用于多故障源識(shí)別的層分類(lèi)器，包括： 采用包括多故障源數(shù)據(jù)和故障現(xiàn)象的樣本數(shù)據(jù)，對(duì)串聯(lián)后的強(qiáng)分類(lèi)器進(jìn)行訓(xùn)練，直至 達(dá)到預(yù)定的訓(xùn)練次數(shù)，得到所述層分類(lèi)器，其中，每執(zhí)行一次訓(xùn)練后估算訓(xùn)練目標(biāo)誤差，選 擇其中誤差最小的分類(lèi)器并降低該分類(lèi)器的權(quán)值。
5. 如權(quán)利要求1所述的方法，其特征在于，進(jìn)一步選擇與故障現(xiàn)象之間的相關(guān)系數(shù)大 于預(yù)設(shè)閾值的業(yè)務(wù)特征值，將所選擇的業(yè)務(wù)特征值對(duì)應(yīng)的強(qiáng)分類(lèi)器進(jìn)行所述串聯(lián)。
6. -種電信業(yè)務(wù)的故障識(shí)別與定位的系統(tǒng)，其特征在于，包括： 特征值選取單元，用于根據(jù)代表故障源的業(yè)務(wù)特征值和故障現(xiàn)象之間的相關(guān)系數(shù)，從 樣本數(shù)據(jù)中選擇相關(guān)系數(shù)大于預(yù)設(shè)閾值的業(yè)務(wù)特征值，作為反向傳遞BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練的 業(yè)務(wù)特征值； 單故障源識(shí)別單元，用于為已選擇出的每個(gè)業(yè)務(wù)特征值確定一個(gè)基于BP神經(jīng)網(wǎng)絡(luò) 的弱分類(lèi)器，并將所確定的弱分類(lèi)器進(jìn)行線性組合，得到該業(yè)務(wù)特征值對(duì)應(yīng)的一個(gè)強(qiáng)分類(lèi) 器； 多故障源識(shí)別單元，用于按照各個(gè)業(yè)務(wù)特征值與故障現(xiàn)象之間的相關(guān)系數(shù)的大小順 序，將各個(gè)業(yè)務(wù)特征值對(duì)應(yīng)的強(qiáng)分類(lèi)器串聯(lián)，并采用包括多故障源數(shù)據(jù)和故障現(xiàn)象的樣本 數(shù)據(jù)對(duì)串聯(lián)后的強(qiáng)分類(lèi)器進(jìn)行訓(xùn)練，得到用于多故障源識(shí)別的層分類(lèi)器； 業(yè)務(wù)處理單元，用于利用所述層分類(lèi)器對(duì)電信業(yè)務(wù)過(guò)程中產(chǎn)生的業(yè)務(wù)數(shù)據(jù)和/或網(wǎng)絡(luò) 數(shù)據(jù)進(jìn)行故障識(shí)別及定位。
7. 如權(quán)利要求6所述的系統(tǒng)，其特征在于，所述業(yè)務(wù)處理單元，進(jìn)一步將電信業(yè)務(wù)過(guò)程 中產(chǎn)生的業(yè)務(wù)數(shù)據(jù)和/或網(wǎng)絡(luò)數(shù)據(jù)輸入所述層分類(lèi)器，根據(jù)各個(gè)強(qiáng)分類(lèi)器產(chǎn)生的輸出，定 位故障原因。
8. 如權(quán)利要求6所述的系統(tǒng)，其特征在于，所述單故障源識(shí)別單元，進(jìn)一步用于為已選 擇出的各個(gè)業(yè)務(wù)特征值，建立一個(gè)基于BP神經(jīng)網(wǎng)絡(luò)的弱分類(lèi)器；采用預(yù)先得到的包含正反 業(yè)務(wù)數(shù)據(jù)的樣本數(shù)據(jù)組合，訓(xùn)練所述弱分類(lèi)器識(shí)別單故障源，直至達(dá)到預(yù)定的訓(xùn)練次數(shù)，得 到訓(xùn)練后的弱分類(lèi)器，其中，每執(zhí)行一次訓(xùn)練后估算訓(xùn)練目標(biāo)誤差，選擇其中誤差最小的分 類(lèi)器并降低該分類(lèi)器的權(quán)值。
9. 如權(quán)利要求6所述的系統(tǒng)，其特征在于，所述多故障源識(shí)別單元，進(jìn)一步用于采用包 括多故障源數(shù)據(jù)和故障現(xiàn)象的樣本數(shù)據(jù)，對(duì)串聯(lián)后的強(qiáng)分類(lèi)器進(jìn)行訓(xùn)練，直至達(dá)到預(yù)定的 訓(xùn)練次數(shù)，得到所述層分類(lèi)器，其中，每執(zhí)行一次訓(xùn)練后估算訓(xùn)練目標(biāo)誤差，選擇其中誤差 最小的分類(lèi)器并降低該分類(lèi)器的權(quán)值。
10. 如權(quán)利要求6所述的系統(tǒng)，其特征在于，所述多故障源識(shí)別單元，進(jìn)一步用于選擇 與故障現(xiàn)象之間的相關(guān)系數(shù)大于預(yù)設(shè)閾值的業(yè)務(wù)特征值，將所選擇的業(yè)務(wù)特征值對(duì)應(yīng)的強(qiáng) 分類(lèi)器進(jìn)行所述串聯(lián)。
【文檔編號(hào)】H04L12/24GK104052612SQ201310080584
【公開(kāi)日】2014年9月17日 申請(qǐng)日期:2013年3月13日 優(yōu)先權(quán)日:2013年3月13日
【發(fā)明者】李智民, 張毅, 羅朝彤, 陳志鋒, 藍(lán)天果, 潘靜, 黎炳燊 申請(qǐng)人:中國(guó)移動(dòng)通信集團(tuán)廣東有限公司