神經(jīng)網(wǎng)絡(luò)在網(wǎng)絡(luò)故障診斷中的應(yīng)用研究

摘要：針對(duì)傳統(tǒng)的網(wǎng)絡(luò)故障知識(shí)庫(kù)難以共同存在的缺陷的高冗余性和穩(wěn)定性，綜合運(yùn)用神經(jīng)網(wǎng)絡(luò)方法和粗糙集理論，提出了RSNN算法，以獲得研究樣品凈化處理。該算法簡(jiǎn)化了樣本，具有高適應(yīng)性和高容錯(cuò)性，不容易陷入局部極小點(diǎn)，可以有效地處理噪聲或不兼容的網(wǎng)絡(luò)故障診斷。使用這種方法與其它相似的方法相比，可以提高診斷的精度和速度的診斷，具有一定的價(jià)值。

關(guān)鍵詞：神經(jīng)網(wǎng)絡(luò)；計(jì)算機(jī)網(wǎng)絡(luò)；故障診斷

中圖分類號(hào)：TP393.06 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1007-9599 （2016） 06-0000-02

1 引言

目前的網(wǎng)絡(luò)規(guī)模、網(wǎng)絡(luò)結(jié)構(gòu)越來(lái)越復(fù)雜，這些新的變化變得越來(lái)越難作出診斷網(wǎng)絡(luò)故障，迫切需要的一種工具來(lái)進(jìn)行網(wǎng)絡(luò)管理與網(wǎng)絡(luò)故障診斷與排除。網(wǎng)絡(luò)故障診斷依賴于各種網(wǎng)絡(luò)設(shè)備的狀態(tài)信息，當(dāng)發(fā)生故障時(shí)，通過(guò)這些信息的分析和判斷，找到原因[1]。在本文中采用粗糙集理論，在原有的規(guī)則提取的網(wǎng)絡(luò)狀態(tài)信息，算法的基礎(chǔ)上決定神經(jīng)網(wǎng)絡(luò)的粗糙集（RSNN），并引入層次分散優(yōu)化的思想和錯(cuò)誤的傳播原理設(shè)計(jì)，網(wǎng)絡(luò)故障診斷模型，引進(jìn)的層次分散優(yōu)化網(wǎng)絡(luò)故障診斷模型，可以在混合網(wǎng)絡(luò)環(huán)境中提供一個(gè)singlenetwork的操作控制環(huán)境來(lái)管理所有子網(wǎng)和管理設(shè)備，統(tǒng)一遠(yuǎn)程控制的，以建立合理的和有效的診斷知識(shí)庫(kù)，故障排除和網(wǎng)絡(luò)設(shè)備，從而提高產(chǎn)品質(zhì)量的網(wǎng)絡(luò)，抗干擾能力和快速恢復(fù)能力的重新配置。

2 網(wǎng)絡(luò)故障診斷的相關(guān)概念和它們的狀態(tài)信息

定義1 網(wǎng)絡(luò)狀態(tài)S是一個(gè)二元組 ， 是非空有限的對(duì)象，稱為被管理對(duì)象的空間，記作 ， 是被管網(wǎng)絡(luò)對(duì)象， 是相應(yīng)的屬性參數(shù)， ， 是狀態(tài)屬性， 是相應(yīng)屬性的參數(shù)。網(wǎng)絡(luò)狀態(tài)信息是指行為信息提取的網(wǎng)絡(luò)實(shí)體在網(wǎng)絡(luò)運(yùn)行的狀態(tài)。

定義2 網(wǎng)絡(luò)實(shí)體可以定義成一個(gè)三元組 ，其中 這是一個(gè)系統(tǒng)遷移。G是映射功能狀態(tài)變化，A是造成物理狀態(tài)變化的事件集合。網(wǎng)絡(luò)局部狀態(tài)能分成L個(gè)不相干的特征 ， L是由域節(jié)點(diǎn)的性質(zhì)確定。網(wǎng)絡(luò)故障是一種從正常狀態(tài)過(guò)渡到不正常的狀態(tài)。

網(wǎng)絡(luò)狀態(tài)信息通過(guò)信息的收集交界處，基于SNMP輪詢的時(shí)序相關(guān)的MIB變量的數(shù)據(jù)采集，E調(diào)換改變當(dāng)前網(wǎng)絡(luò)運(yùn)行狀況E，數(shù)據(jù)管理，轉(zhuǎn)換成網(wǎng)絡(luò)狀態(tài)信息：

為實(shí)體狀態(tài)的屬性參數(shù) 設(shè)定了一個(gè)閾值 ， 固態(tài)性能參數(shù)的物理性能特點(diǎn)的基礎(chǔ)上，可以設(shè)定一個(gè)閾值，需要的專業(yè)知識(shí)或反復(fù)實(shí)驗(yàn)，調(diào)整，建立比較函數(shù)：

用 代替 ，替換預(yù)處理后的狀態(tài)信息。得出： 。令 得到：

因此，要使用的n-維矢量表示本地網(wǎng)絡(luò)狀態(tài)的特性。

3 系統(tǒng)原理及實(shí)現(xiàn)

在獲取信息的基礎(chǔ)上RSNN的網(wǎng)絡(luò)性能、網(wǎng)絡(luò)的局部特征的性質(zhì)定義的屬性過(guò)濾掉所有重要的屬性，以反映網(wǎng)絡(luò)故障的性質(zhì)之間的關(guān)系，然后根據(jù)這些屬性，建立最低起ruleslayered綜合的知識(shí)基礎(chǔ)，根據(jù)神經(jīng)網(wǎng)絡(luò)，以提高系統(tǒng)的性能，降低誤報(bào)率的特點(diǎn)。預(yù)處理模塊是負(fù)責(zé)網(wǎng)絡(luò)狀態(tài)記錄在一個(gè)特定的時(shí)間間隔相應(yīng)的離散特征屬性，建立基于粗糙集理論和層次分布的優(yōu)化思路，以減少網(wǎng)絡(luò)故障可辨矩陣的功能，為了消除矛盾（沖突）和重復(fù)的分類規(guī)則的故障診斷系統(tǒng)，為每種類型的網(wǎng)絡(luò)層包含多個(gè)子分類粗糙集理論，構(gòu)成了一個(gè)多層次的復(fù)雜的神經(jīng)網(wǎng)絡(luò)系統(tǒng)。上面的步驟包含規(guī)則的故障檢測(cè)。

診斷問(wèn)題的實(shí)質(zhì)是一個(gè)映射，我們使用一個(gè)神經(jīng)網(wǎng)絡(luò)來(lái)近似這種映射，故障分類系統(tǒng)的學(xué)習(xí)樣本集由故障狀態(tài)和故障，如在下面的表1中示出的判決子格式的子集的屬性組成：

訓(xùn)練樣本集在給定的知識(shí)領(lǐng)域的專家，所以難免不兼容，導(dǎo)致多余的樣品，對(duì)這些樣品進(jìn)行培訓(xùn)，不僅不提高決策的正確性，會(huì)降低效率的學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)，使用的是三層神經(jīng)，每個(gè)屬性貢獻(xiàn)的故障現(xiàn)象子集的決策是不一樣的，系統(tǒng)需要反映不同的屬性在學(xué)習(xí)過(guò)程中的重要性，提高學(xué)習(xí)效率；此外，網(wǎng)絡(luò)的故障信息描述的網(wǎng)絡(luò)結(jié)構(gòu)中的神經(jīng)元和連接權(quán)特定的數(shù)目，必須導(dǎo)致低效的學(xué)習(xí)算法，并最終因?yàn)樗怯邢薜氖褂茫缘玫綐悠窙Q策表決策的標(biāo)志包含只有一部分的的完整沖突樣品，沙美特羅H優(yōu)化算法的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的原始庫(kù)的規(guī)則，在每個(gè)層的神經(jīng)元素來(lái)定義一個(gè)性能指標(biāo)，i-層優(yōu)化指標(biāo)：

其特征在于，表示的第p個(gè)樣本輸入端，第i層的第j個(gè)結(jié)點(diǎn)的的實(shí)際加權(quán)和輸出；表示第p個(gè)樣本輸入端，第i層的第j個(gè)結(jié)點(diǎn)加權(quán)和期望的輸出，以確定網(wǎng)絡(luò)的神經(jīng)元的神經(jīng)網(wǎng)絡(luò)的權(quán)重可以調(diào)整到?jīng)Q策過(guò)程中的分層分散子優(yōu)化問(wèn)題的修正神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)和粗糙集的決策規(guī)則之間的交流達(dá)到了粗糙集學(xué)習(xí)，提高學(xué)習(xí)當(dāng)選最低的構(gòu)成正確的訓(xùn)練集。

（1）簡(jiǎn)化網(wǎng)絡(luò)故障信息樣本系統(tǒng)。設(shè)R是故障屬性集，如果對(duì)于a∈R，屬性集D，如果 ，那么就刪除a；

（2）計(jì)算信息表的可辨識(shí)矩陣 ；

（3）對(duì)于可辨識(shí)矩陣中的所有取值為非空集合的元素 ，建立相應(yīng)的析取邏輯表達(dá)式 ，將所有的析取邏輯表達(dá)式 進(jìn)行合取運(yùn)算，得到合取范式 ， ，將L轉(zhuǎn)換為析取范式的形式，得 ，其中，每個(gè)合取項(xiàng)中包含的屬性組成約簡(jiǎn)后的條件屬性集合，得到降低冗余后的知識(shí)系統(tǒng)K。

（4）穿越不同類別的知識(shí)系統(tǒng)屬性，如果有重復(fù)的記錄刪除沖突記錄，如果刪除一列保留了原有的屬性值，標(biāo)記為其他記錄，其余的屬性值可以判斷決策，然后刪除該值，否則保持原有的價(jià)值知識(shí)系統(tǒng)；

（5）如果兩個(gè)記錄僅僅是一個(gè)條件屬性值，和的財(cái)產(chǎn)已被刪除的記錄，那么沒(méi)有標(biāo)記的屬性值的記錄時(shí)，可以判斷決策，然后再刪除另一條記錄，否則，刪除記錄在案；

（6）在上述處理中，一個(gè)新的信息表，所有的屬性值是值的表芯，所有的記錄都對(duì)應(yīng)一個(gè)決策規(guī)則，沙美H優(yōu)化算法知識(shí)的神經(jīng)網(wǎng)絡(luò)，輸出為每一個(gè)輸入對(duì)做如下處理：

（a）輸入信號(hào)前向傳播：

（b）輸出誤差信號(hào)后向傳播：

輸出層：由 ，得到：

隱層：和BP算法一樣，將輸出層的誤差沿代價(jià)函數(shù)的負(fù)階梯方向逐層后向傳播：

（c）計(jì)算：由 可得到：

將上式帶入 ，得到：

（7）更新權(quán)值：設(shè)誤差能量函數(shù) ，其中 。 表示梯度，設(shè) 得到：

其中， 表示 的單位梯度向量。

（8）重復(fù)步驟（6），直至收斂或?qū)W習(xí)步數(shù)達(dá)到規(guī)定值；

（9）如果訓(xùn)練成功，固定權(quán)值，用于回代，重新迭代。

4 結(jié)束語(yǔ)

針對(duì)傳統(tǒng)的網(wǎng)絡(luò)故障知識(shí)庫(kù)難以共同存在的缺陷的高冗余性和穩(wěn)定性，綜合運(yùn)用神經(jīng)網(wǎng)絡(luò)方法和粗糙集理論，提出了RSNN算法，以獲得研究樣品凈化處理。該算法簡(jiǎn)化了樣本，具有高適應(yīng)性和高容錯(cuò)性，不容易陷入局部極小點(diǎn)，可以有效地處理噪聲或不兼容的網(wǎng)絡(luò)故障診斷。使用這種方法與其它相似的方法相比，可以提高診斷的精度和速度的診斷，具有一定的價(jià)值。

參考文獻(xiàn)：

[1]王仲生.智能故障診斷和容錯(cuò)控制[M].西北工業(yè)大學(xué)出版社，2005.

[2]王正武，張瑞平.基于加強(qiáng)型BP算法的神經(jīng)網(wǎng)絡(luò)故障診斷研究[J].數(shù)學(xué)的實(shí)踐與認(rèn)識(shí)，2004，34（11）：8-12.

[作者簡(jiǎn)介]陶亮（1975-），男，學(xué)士，工程師，現(xiàn)任沈陽(yáng)市消防局通信科科長(zhǎng)，主要研究方向?yàn)橛?jì)算機(jī)通信。