現(xiàn)如今，我國的通信行業(yè)越來越發(fā)達了，各種通信技術(shù)和設(shè)備也都進行了一些改革。對于通信設(shè)備的一些維修和保養(yǎng)工作也是非常重要的。本文是一篇電子信息類期刊投稿的論文范文，主要論述了基于在線機器學(xué)習(xí)方法的通信設(shè)備故障預(yù)警技術(shù)研究。
　　摘要：通信設(shè)備故障預(yù)警技術(shù)已經(jīng)不能滿足針對通信網(wǎng)絡(luò)的故障管理需求，以往通過規(guī)則庫或?qū)＜蚁到y(tǒng)實現(xiàn)故障預(yù)警系統(tǒng)時規(guī)則庫或經(jīng)驗很難定義描述，本文在充分研究在線機器學(xué)習(xí)方法的基礎(chǔ)上，提出了基于在線學(xué)習(xí)算法的通信設(shè)備故障預(yù)警技術(shù)，核心在于針對訓(xùn)練樣本進行故障特征提取、訓(xùn)練分類器， 然后用訓(xùn)練好的分類器去實時監(jiān)測故障。

　　關(guān)鍵詞 在線學(xué)習(xí),機器學(xué)習(xí),故障預(yù)警

　　當(dāng)前通信網(wǎng)絡(luò)管理系統(tǒng)正在面臨著越來越嚴重的挑戰(zhàn)。網(wǎng)絡(luò)管理系統(tǒng)用于監(jiān)控通信網(wǎng)絡(luò)運行情況，掌握設(shè)備運行狀況，及時對故障做出響應(yīng)，快速定位并排除故障，輔助網(wǎng)絡(luò)維護人員保證網(wǎng)絡(luò)的穩(wěn)定可靠運行是網(wǎng)絡(luò)管理系統(tǒng)的職責(zé)。ATM網(wǎng)絡(luò)以后隨著通信網(wǎng)絡(luò)IP化進程加快，路由和交換能力增強，網(wǎng)絡(luò)管理系統(tǒng)已經(jīng)很難對故障作出分析定位。本文基于在線學(xué)習(xí)方法對網(wǎng)絡(luò)管理系統(tǒng)故障預(yù)警技術(shù)進行了分析和設(shè)計，提出了故障預(yù)警技術(shù)的實現(xiàn)方法。

　　1 在線機器學(xué)習(xí)方法

　　在線學(xué)習(xí)(Online Learning)是機器學(xué)習(xí)的重要領(lǐng)域之一，是指每次通過一個訓(xùn)練實例學(xué)習(xí)模型的學(xué)習(xí)方法。在線學(xué)習(xí)的目的是正確預(yù)測訓(xùn)練實例的標準，其最重要的一個特點是當(dāng)一次預(yù)測完成時，其正確結(jié)果便被獲得，這一結(jié)果可以直接用來修正模型。

　　在線機器學(xué)習(xí)方法包括基于支持向量機的在線學(xué)習(xí)算法和基于感知器的在線學(xué)習(xí)算法。基于支持向量機的在線學(xué)習(xí)理論是有限樣本信息在模型復(fù)雜性和學(xué)習(xí)能力間的最佳折衷，并非真正意義上的在線算法，而且得到的識別效果也不佳。

　　最早的在線學(xué)習(xí)算法為感知器算法，感知器算法簡單有效，十分符合在線學(xué)習(xí)模式，近年來對于在線學(xué)習(xí)的許多研究都建立在此基礎(chǔ)上�；�于感知器的在線學(xué)習(xí)算法，包括感知器算法和Passive-Aggressive算法。其中感知器算法用經(jīng)驗數(shù)據(jù)相關(guān)矩陣表示，算法近似最大邊緣超平面以用于線性可分的數(shù)據(jù)，而Passive-Aggressive算法與感知器算法計算復(fù)雜度相同，識別性能略有提升，更新權(quán)向量的目標是保證模型更新后在新樣本點上的損失函數(shù)值較小，且靠近更新前的訓(xùn)練模型。

　　2 故障預(yù)警技術(shù)架構(gòu)

　　故障預(yù)警技術(shù)架構(gòu)包括兩個過程：第一個過程是針對標記號的訓(xùn)練樣本提取故障特征，訓(xùn)練分類器。第二個過程是用學(xué)習(xí)好的分類器去實時監(jiān)測故障，提取故障特征，通過分類器分類，最后得出分類結(jié)果。

　　故障特征提取時，讀取一條，訓(xùn)練樣本，先判斷這條故障信息是否合法，不合法就讀取下一條;若合法，則依次提取故障設(shè)備IP、設(shè)備名稱、設(shè)備運行狀態(tài)、故障等級、故障描述、故障發(fā)生時間、故障發(fā)生次數(shù)、距離上次同一故障發(fā)生間隔、發(fā)生故障的設(shè)備模塊、與故障設(shè)備物理連接的所有設(shè)備IP和名稱，這些特征信息提取出來都是字符串的形式，需要把他們表示成特征向量的形式，這里我們可以借助自然語言處理的特征向量表示法，把每個字符串作為一個特征，并賦予唯一的代碼，其特征值用布爾型表示，特征出現(xiàn)則為1，未出現(xiàn)則為0。特征和代碼的映射關(guān)系用map容器來表示，在map容器中查詢特征字符串，若不存在，則將新的特征字符串和代碼加入map容器中。然后輸出特征向量，輸出形式為“特征代碼：特征值”。當(dāng)實時讀取網(wǎng)絡(luò)運行信息進行故障預(yù)測時，對應(yīng)每一個特征向量有一個預(yù)測結(jié)果，若即將發(fā)生故障為“+1”，不會產(chǎn)生故障為“-1”。

　　3 在線學(xué)習(xí)算法

　　在訓(xùn)練分類器時關(guān)鍵技術(shù)為在線學(xué)習(xí)算法。相比批量學(xué)習(xí)方法，在線學(xué)習(xí)算法更適合處理通信設(shè)備故障特征信息，在線學(xué)習(xí)算法是一種增量學(xué)習(xí)算法，每次用一個樣本訓(xùn)練，然后根據(jù)損失調(diào)整權(quán)向量，本文在線學(xué)習(xí)算法采用基于感知器的在線學(xué)習(xí)算法，包括感知器算法和Passive-Aggressive算法。

　　針對樣本訓(xùn)練分類器的在線學(xué)習(xí)過程如下：

　　(1)做內(nèi)積運算：將訓(xùn)練樣本的特征向量與分類器的權(quán)向量做內(nèi)積運算，得出預(yù)測結(jié)果;

　　(2)預(yù)測結(jié)果比對：將預(yù)測結(jié)果與實際情況進行比較，若相同，表示預(yù)測成功，無需更新權(quán)向量;若不同，說明預(yù)測失敗，要承受損失;

　　(3)更新權(quán)向量：根據(jù)損失計算權(quán)向量的更新值，更新權(quán)向量。上述兩個基于感知器的在線學(xué)習(xí)算法將分別訓(xùn)練出兩個分類器，我們用實驗來測試分類效果最好的那個算法。兩個算法的不同之處在于他們權(quán)向量的更新方式不同。感知器算法的更新公式為：

　　4結(jié)語

　　目前，通信設(shè)備故障預(yù)警技術(shù)是一個很難解決的問題，以往通過規(guī)則庫或?qū)＜蚁到y(tǒng)實現(xiàn)故障預(yù)警系統(tǒng)的思路是走不通的，研究將在線機器學(xué)習(xí)方法在通信設(shè)備故障預(yù)警技術(shù)中的應(yīng)用是一個很好的思路。本文將在線機器學(xué)習(xí)方法運用到通信設(shè)備故障預(yù)警系統(tǒng)， 針對訓(xùn)練樣本進行故障特征提取、訓(xùn)練分類器， 提出了通信設(shè)備故障預(yù)警技術(shù)實現(xiàn)方法。隨著通信設(shè)備故障管理技術(shù)的不斷發(fā)展， 故障預(yù)警系統(tǒng)的設(shè)計實現(xiàn)將不斷得到改進和完善。

　　參考文獻

　　[1]鄧歆，孟洛明.基于貝葉斯網(wǎng)絡(luò)的通信網(wǎng)告警相關(guān)性和故障診斷模型[J].電子與信息學(xué)報，2007， 29(5)：1182-1186.

　　[2]史永勝，宋云雪.基于遺傳算法與BP神經(jīng)網(wǎng)絡(luò)的故障診斷模型[J].計算機工程，2004，30(14)：125-127.

　　[3]劉鳳玉，李千目，衷宜.基于貝葉斯分類的分布式網(wǎng)絡(luò)故障診斷模型[J].南京理工大學(xué)學(xué)報，2003，27(5)：546-550.

　　[4]劉啟元，張聰，沈一棟，汪成亮.信度網(wǎng)結(jié)構(gòu)在線學(xué)習(xí)算法[J].軟件學(xué)報，2002，13(12)：2297-2304.
　　通信工程師論文發(fā)表期刊推薦《寧波通訊》堅持為社會主義服務(wù)的方向，堅持以馬克思列寧主義、毛澤東思想和鄧小平理論為指導(dǎo)，貫徹“百花齊放、百家爭鳴”和“古為今用、洋為中用”的方針，堅持實事求是、理論與實際相結(jié)合的嚴謹學(xué)風(fēng)，傳播先進的科學(xué)文化知識，弘揚民族優(yōu)秀科學(xué)文化，促進國際科學(xué)文化交流，探索防災(zāi)科技教育、教學(xué)及管理諸方面的規(guī)律，活躍教學(xué)與科研的學(xué)術(shù)風(fēng)氣，為教學(xué)與科研服務(wù)。

轉(zhuǎn)載請注明來自：http://www.jinnzone.com/tongxinlw/54093.html