基于DOA-ELM 的移動(dòng)通信網(wǎng)絡(luò)故障診斷模型

摘要：為實(shí)現(xiàn)移動(dòng)通信網(wǎng)絡(luò)故障的精準(zhǔn)識(shí)別，文章提出一種基于澳洲野犬算法（Dingo Optimization Algorithm，DOA） 優(yōu)化極限學(xué)習(xí)機(jī)（Extreme Learning Machine，ELM） 的故障診斷模型（DOA-ELM） 。以12個(gè)網(wǎng)絡(luò)故障特征量為輸入、4種連接故障為輸出，采用DOA算法優(yōu)化ELM的輸出權(quán)值，構(gòu)建了網(wǎng)絡(luò)結(jié)構(gòu)為12-13-4的DOA-ELM模型。實(shí)驗(yàn)結(jié)果表明，DOA-ELM模型的平均診斷精度達(dá)到97.81%，相較于其他三種模型，該模型具有更高的診斷精度和模型穩(wěn)定性，驗(yàn)證了其有效性。

關(guān)鍵詞：移動(dòng)通信網(wǎng)絡(luò)；故障診斷；澳洲野犬優(yōu)化算法；極限學(xué)習(xí)機(jī)；診斷精度

中圖分類號(hào)：TP393 文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1009-3044（2024）32-0074-03 開放科學(xué)（資源服務(wù)）標(biāo)識(shí)碼（OSID） ：

移動(dòng)通信網(wǎng)絡(luò)的快速發(fā)展給人們的生活帶來(lái)了極大便利，人們的生產(chǎn)生活越來(lái)越離不開移動(dòng)通信網(wǎng)絡(luò)[1]。與傳統(tǒng)通信網(wǎng)絡(luò)相比，移動(dòng)通信網(wǎng)絡(luò)分布范圍更廣、維護(hù)難度更大[2]。因此，快速準(zhǔn)確定位故障并及時(shí)采取處置措施，對(duì)提升用戶體驗(yàn)、提高服務(wù)質(zhì)量至關(guān)重要[3]，這也使得對(duì)移動(dòng)通信網(wǎng)絡(luò)故障診斷方法的研究尤為必要。

為快速識(shí)別移動(dòng)通信網(wǎng)絡(luò)故障，相關(guān)研究者對(duì)其診斷方法進(jìn)行了大量研究。常瑞莉針對(duì)目前移動(dòng)通信故障診斷精度不高的問(wèn)題，設(shè)計(jì)了一種基于BP神經(jīng)網(wǎng)絡(luò)的移動(dòng)通信網(wǎng)絡(luò)故障診斷方法，利用該方法實(shí)現(xiàn)了移動(dòng)通信的快速準(zhǔn)確診斷[4]。張佩佩等人在前人研究的基礎(chǔ)上，創(chuàng)新性地將深度Q學(xué)習(xí)網(wǎng)絡(luò)應(yīng)用于移動(dòng)通信故障診斷，不僅對(duì)移動(dòng)通信網(wǎng)絡(luò)故障診斷模型進(jìn)行了設(shè)計(jì)，還開發(fā)了一套應(yīng)用于移動(dòng)通信網(wǎng)絡(luò)的故障檢測(cè)系統(tǒng)[5]。唐建華等人利用神經(jīng)網(wǎng)絡(luò)構(gòu)建了4G 移動(dòng)網(wǎng)絡(luò)通信故障診斷模型，利用該模型解決移動(dòng)通信網(wǎng)絡(luò)故障診斷問(wèn)題時(shí)獲得了較理想的診斷效果，不僅提高了診斷效率，也降低了網(wǎng)絡(luò)運(yùn)維成本?，F(xiàn)有移動(dòng)通信網(wǎng)絡(luò)診斷方法普遍存在診斷精度不足和穩(wěn)定性較差等問(wèn)題，滿足實(shí)際應(yīng)用需求的故障診斷方法有待進(jìn)一步研究[6]。

1 算法介紹

1.1 DOA 算法原理

DOA算法是根據(jù)澳洲野犬的四種自然行為提出的一種群體智能尋優(yōu)算法[7]。這四種自然行為主要包括群體狩獵、追捕、食腐、生存，通過(guò)四種行為不斷改變自身位置，最終獲得獵物。群體狩獵行為、追捕行為和食腐行為之間是互斥的，即在同一時(shí)間，野犬只能執(zhí)行其中的一種行為；而生存行為是在前三種行為的基礎(chǔ)上通過(guò)判斷條件執(zhí)行的一種跳躍行為，便于算法在陷入局部最優(yōu)時(shí)能夠及時(shí)跳出。在上述四種不同行為的引導(dǎo)下，算法在搜索空間中獲得最優(yōu)解的成功率更高，相比其他尋優(yōu)算法，DOA算法具有更好的適用性，能夠快速向全局最優(yōu)解收斂。

澳洲野犬種群通過(guò)隨機(jī)初始化獲得初始位置，初始位置的定義如下：

Xi = ui + r1（d ） i - ui （1）

式中：Xi 為第i 只澳洲野犬的初始位置；di 為尋優(yōu)空間的上邊界； ui 為尋優(yōu)空間的下邊界；r1 隨機(jī)數(shù)，其值在[0，1]范圍內(nèi)。

行為1：群體狩獵行為

澳洲野犬在尋優(yōu)空間內(nèi)發(fā)現(xiàn)獵物后，會(huì)通知其他個(gè)體包圍獵物，并以獵物為中心進(jìn)行分工狩獵，該行為可建模為：

式中：t 為當(dāng)前迭代次數(shù)；xi （t + 1）為澳洲野犬i 移動(dòng)后的新位置；n 為[2，S/2]范圍內(nèi)的隨機(jī)整數(shù)，其中S為澳洲野犬?dāng)?shù)量；φk （t）為澳洲野犬種群的子集，且滿足φ ? X，其中X 為隨機(jī)產(chǎn)生的澳洲野犬種群；xi （t）為澳洲野犬i 的當(dāng)前位置；xθ （t） 為當(dāng)前野犬種群的最佳位置；β1為[-2，2]范圍內(nèi)的隨機(jī)數(shù)。

行為2：追捕行為

該行為主要針對(duì)小型獵物，對(duì)于尋優(yōu)空間內(nèi)的小型獵物，澳洲野犬采用追捕行為進(jìn)行攻擊，其數(shù)學(xué)模型為：

xi （t + 1） = xθ （t） + β1 ? eβ2 ? （x ） r1 （t） - xi （t） （3）

式中：β2 為[-1，1]之間的隨機(jī)數(shù)；r1 為[1，xmax]范圍內(nèi)的隨機(jī)整數(shù)，其中xmax為隨機(jī)數(shù)；xr1 （t）為隨機(jī)挑選的第r1只澳洲野犬的位置，其中r1 ≠ i。

行為3：食腐行為

為了不遭受饑餓，澳洲野犬也會(huì)在尋優(yōu)范圍內(nèi)尋找腐肉以補(bǔ)充體能，食腐行為的數(shù)學(xué)模型為：

xi （t + 1） =1／2[e ] β2 ? xr1 （t） - （-1）σ ? xi （t） （4）

式中： σ為隨機(jī)生成的二進(jìn)制數(shù)，σ ∈ {0，1}。

策略4：生存行為

非法捕獵是造成澳洲野犬?dāng)?shù)量減少的主要原因，因此DOA算法需要考慮澳洲野犬的存活率，其計(jì)算公式為：

pi = fmax - fi／fmax - fmin （5）

式中：pi 為澳洲野犬i 的存活率；fi 為澳洲野犬i 的適應(yīng)度值；fmax、fmin 為澳洲野犬種群的最佳適應(yīng)度值和最差適應(yīng)度值。

當(dāng)野狗存活率低于0.3時(shí)，需要執(zhí)行生存行為，生存行為的數(shù)學(xué)模型為：

xi （t） = xθ （t） +1／2[ x ] r1 （t） - （-1）σ ? xr2 （t） （6）

式中：r2 為[1，xmax]之間的隨機(jī)整數(shù)，且r2 ≠ r1；xr2 （t）為澳洲野犬r2的位置。

在上述4種自然行為中，澳洲野犬種群執(zhí)行哪種行為取決于兩個(gè)參數(shù)P 和Q，算法每迭代一次，均會(huì)生成兩個(gè)隨機(jī)數(shù)，通過(guò)參數(shù)比較確定澳洲野犬的行為，通過(guò)不斷更新位置和優(yōu)劣比較，最終獲得最優(yōu)野犬位置，即為獵物位置。

1.2 ELM 基本原理

ELM是根據(jù)廣義前饋神經(jīng)網(wǎng)絡(luò)改進(jìn)得到的[8]，相比廣義前饋神經(jīng)網(wǎng)絡(luò)，ELM的結(jié)構(gòu)和訓(xùn)練方法更簡(jiǎn)單，在訓(xùn)練過(guò)程中，ELM的輸入權(quán)重和偏置值是隨機(jī)產(chǎn)生的，訓(xùn)練效果只取決于輸出權(quán)重[9]。相比傳統(tǒng)神經(jīng)網(wǎng)絡(luò)算法，ELM的泛化性能更好，能夠快速解決復(fù)雜的非線性分類及回歸問(wèn)題。

令樣本集合為{x } i，ti| xi ∈ Rn，ti ∈ Rm，i = 1，2，...，N ，xi、ti 分別表示輸入數(shù)據(jù)和輸出數(shù)據(jù)，假設(shè)ELM網(wǎng)絡(luò)中隱含層節(jié)點(diǎn)為l，隱含層輸出函數(shù)為h（x），則隱含層中第i個(gè)節(jié)點(diǎn)的輸出值為：

hi （x） = G （ai，bi，xi ），ai ∈ Rn，bi ∈ R （7）

式中：G （ai，bi，xi ）為激勵(lì)函數(shù)；該函數(shù)符合通用逼近定理；ai、bi 分別為輸入權(quán)重和偏置值，二者都是隨機(jī)產(chǎn)生的。

ELM函數(shù)的表達(dá)式為：

式中：β 為輸出權(quán)重矩陣；βi 為輸出權(quán)重矩陣中的元素。

為了減小ELM的訓(xùn)練誤差，利用平方誤差對(duì)輸出權(quán)重進(jìn)行求解，則有：

式中：T 為目標(biāo)矩陣；β ～ 為最優(yōu)權(quán)重；H 為隱含層輸出矩陣。

進(jìn)而可以得到：

β ～= H+T （10）

式中：H+為矩陣H 的Moore-Penrose矩陣。

2 基于DOA-ELM 的移動(dòng)通信網(wǎng)絡(luò)故障診斷

2.1 確定特征向量集

本文對(duì)通信網(wǎng)絡(luò)兩個(gè)節(jié)點(diǎn)之間的連接故障作為研究對(duì)象，其連接故障的故障種類可以分為物理性故障、管理性關(guān)閉、節(jié)點(diǎn)負(fù)荷過(guò)大和連接電纜故障等四種，結(jié)合現(xiàn)場(chǎng)運(yùn)行經(jīng)驗(yàn)和查閱文獻(xiàn)資料，確定了移動(dòng)通信網(wǎng)絡(luò)故障診斷的12個(gè)特征量，具體如表1所示。

2.2 構(gòu)建DOA-ELM 模型

ELM具有良好的非線性分類效果，本文采用ELM 對(duì)通信網(wǎng)絡(luò)故障進(jìn)行分類診斷。由于ELM分類精度受輸出權(quán)重影響較大，因此本文利用DOA 算法對(duì)ELM的輸出權(quán)重進(jìn)行優(yōu)化，構(gòu)建基于DOA-ELM的移動(dòng)通信網(wǎng)絡(luò)故障診斷模型，主要步驟如下：

1） 收集特征量集和四種故障類型的樣本數(shù)據(jù)，進(jìn)行歸一化處理后，劃分為訓(xùn)練集和測(cè)試集；

2） 將ELM初始化，利用訓(xùn)練集對(duì)ELM進(jìn)行訓(xùn)練，確定ELM的網(wǎng)絡(luò)結(jié)構(gòu)；

3） 初始化澳洲野犬種群，設(shè)置DOA算法參數(shù)，包括算法最大迭代次數(shù)、澳洲野犬?dāng)?shù)量等；

4） 將輸出權(quán)值作為DOA算法的尋優(yōu)目標(biāo)，根據(jù)ELM輸出結(jié)果的正確率計(jì)算澳洲野犬適應(yīng)度值，保存?zhèn)€體最優(yōu)位置；

5） 利用澳洲野犬的四種自然行為更新種群位置，計(jì)算位置更新后的野犬適應(yīng)度值；

6） 通過(guò)優(yōu)劣比較更新當(dāng)前最優(yōu)位置并保存；

7） 判斷ELM輸出結(jié)果的誤差是否滿足要求，或算法迭代是否達(dá)到最大迭代次數(shù)，若是，則輸出最優(yōu)輸出權(quán)值；

8） 利用DOA-ELM模型對(duì)移動(dòng)通信網(wǎng)絡(luò)故障進(jìn)行診斷。

3 算例分析

根據(jù)前文所述建模步驟，搜集400組移動(dòng)通信網(wǎng)絡(luò)故障數(shù)據(jù)進(jìn)行仿真分析，其中物理性故障、管理性關(guān)閉、節(jié)點(diǎn)負(fù)荷過(guò)大和連接電纜故障各100組。為了方便計(jì)算分析，對(duì)樣本數(shù)據(jù)進(jìn)行劃分同時(shí)對(duì)移動(dòng)通信網(wǎng)絡(luò)故障進(jìn)行編碼，具體如表2所示。

利用訓(xùn)練集樣本數(shù)據(jù)對(duì)ELM網(wǎng)絡(luò)進(jìn)行訓(xùn)練，通過(guò)網(wǎng)絡(luò)訓(xùn)練確定ELM的網(wǎng)絡(luò)結(jié)構(gòu)為12-13-4，在此基礎(chǔ)上構(gòu)建了DOA-ELM模型。利用DOA-ELM模型對(duì)測(cè)試集中的樣本數(shù)據(jù)進(jìn)行故障診斷，診斷結(jié)果見圖1。為了驗(yàn)證DOA-ELM模型在移動(dòng)通信網(wǎng)絡(luò)故障診斷方面的優(yōu)越性，采用DOA-BP 模型、ELM 模型和PSOSVM模型與DOA-ELM模型的診斷結(jié)果進(jìn)行對(duì)比分析。圖2～圖4分別給出了DOA-BP模型、ELM模型和PSO-SVM模型的診斷結(jié)果。從圖1～圖4可以看出，DOA-ELM模型僅在對(duì)節(jié)點(diǎn)負(fù)荷過(guò)大故障診斷時(shí)出現(xiàn)了2次錯(cuò)誤；DOA-BP模型在對(duì)四種不同故障診斷時(shí)均出現(xiàn)了1次錯(cuò)誤，總計(jì)4次；ELM模型在對(duì)四種不同故障診斷時(shí)均出現(xiàn)了錯(cuò)誤，且在對(duì)管理性關(guān)閉故障和節(jié)點(diǎn)負(fù)荷過(guò)大故障診斷時(shí)各出現(xiàn)了2次錯(cuò)誤，總計(jì)6次；PSO-SVM模型在對(duì)四種不同故障診斷時(shí)也都出現(xiàn)了錯(cuò)誤，其中在對(duì)管理性關(guān)閉故障診斷時(shí)出現(xiàn)了1 次錯(cuò)誤，總計(jì)5 次。四種模型的診斷精度分別為97.5%、95%、92.5%和93.75%，DOA-ELM模型的診斷精度更高，這是由于DOA算法獲取的ELM參數(shù)更優(yōu)，從而使該模型的輸出結(jié)果正確率更高。

為了進(jìn)一步驗(yàn)證DOA-ELM模型輸出結(jié)果的穩(wěn)定性，利用上述4種模型分別進(jìn)行20次移動(dòng)通信網(wǎng)絡(luò)故障診斷測(cè)試，圖5給出了20次診斷測(cè)試結(jié)果的正確率。由圖5可知，DOA-ELM模型、DOA-BP模型、ELM模型和PSO-SVM 模型的區(qū)間分布范圍依次為[96.25%，100%]、[90%， 97.5%]、[90%， 95%]和[88.75%， 98.75%]，表明DOA-ELM模型輸出結(jié)果的波動(dòng)范圍更小。

表3給出了四種模型在20次移動(dòng)通信網(wǎng)絡(luò)故障診斷測(cè)試中的平均診斷精度。從表3 可以看出，DOA-ELM 模型、DOA-BP 模型、ELM 模型和PSOSVM模型的平均診斷精度依次為97.81%、94.63%、92.25%和91.94%。實(shí)驗(yàn)結(jié)果表明，DOA-ELM模型在進(jìn)行移動(dòng)通信網(wǎng)絡(luò)故障診斷過(guò)程中具有更高的平均診斷精度和更好的模型穩(wěn)定性。

4 結(jié)論

本文將ELM輸出權(quán)值作為DOA算法的搜索目標(biāo)，利用DOA算法確定了ELM的最優(yōu)輸出權(quán)值，在此基礎(chǔ)上構(gòu)建了基于DOA-ELM的移動(dòng)通信網(wǎng)絡(luò)故障診斷模型。仿真測(cè)試和對(duì)比分析結(jié)果表明，DOA-ELM模型、DOA-BP模型、ELM模型和PSO-SVM模型的平均診斷精度依次為97.81%、94.63%、92.25%和91.94%。相比三種對(duì)比模型，DOA-ELM模型具有更高的診斷精度和更好的穩(wěn)定性，驗(yàn)證了DOA-ELM模型在移動(dòng)通信網(wǎng)絡(luò)故障診斷方面的有效性，為移動(dòng)通信網(wǎng)絡(luò)故障診斷提供了新思路。由于DOA算法采用隨機(jī)初始化方式進(jìn)行種群初始化，這種方式會(huì)對(duì)其尋優(yōu)精度產(chǎn)生一定影響，未來(lái)將對(duì)DOA算法的改進(jìn)策略進(jìn)行研究，以進(jìn)一步完善移動(dòng)通信網(wǎng)絡(luò)故障診斷模型。

參考文獻(xiàn)：

[1] 張婷，齊小剛.移動(dòng)通信網(wǎng)絡(luò)的中性集故障診斷方法研究[J]. 智能系統(tǒng)學(xué)報(bào)，2020，15（5）：864-869.

[2] 姚仲敏，沈玉會(huì).基于GA-BP的移動(dòng)通信設(shè)備故障診斷[J]. 計(jì)算機(jī)測(cè)量與控制，2015，23（10）：3294-3296，3300.

[3] 劉春茂.基于GA-CLARANS數(shù)據(jù)挖掘技術(shù)的移動(dòng)通信網(wǎng)絡(luò)故障檢測(cè)專家系統(tǒng)[J].信息與電腦（理論版），2014，26（1）：158-159.

[4] 常瑞莉.一種基于BP神經(jīng)網(wǎng)絡(luò)的移動(dòng)通信網(wǎng)絡(luò)故障檢測(cè)方法[J].自動(dòng)化技術(shù)與應(yīng)用，2023，42（6）：123-126.

[5] 張佩佩.基于大數(shù)據(jù)挖掘的移動(dòng)通信網(wǎng)絡(luò)故障診斷方法研究[D].南京：南京郵電大學(xué)，2022.

[6] 唐建華，謝志軍.基于神經(jīng)網(wǎng)絡(luò)的TD-LTE移動(dòng)通信網(wǎng)絡(luò)故障診斷系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[J].移動(dòng)通信，2014，38（10）：67-73.

[7] 商立群，黃辰浩，侯亞?wèn)|，等.采用特征優(yōu)選和優(yōu)化深層核極限學(xué)習(xí)機(jī)的短期風(fēng)電功率預(yù)測(cè)[J].西安交通大學(xué)學(xué)報(bào)，2023，57（1）：66-77.

[8] 徐文靜.基于改進(jìn)極限學(xué)習(xí)機(jī)的通風(fēng)扇故障診斷[J].中國(guó)新技術(shù)新產(chǎn)品，2023（19）：63-65.

[9] 張耀，姚瑤，陳卓，等.基于粒子群差分進(jìn)化極限學(xué)習(xí)機(jī)的電力系統(tǒng)故障診斷模型[J].機(jī)械與電子，2024，42（3）：60-64，70.

【通聯(lián)編輯：謝媛媛】