[发明专利]一种电信业务的故障识别与定位的方法及系统

权利要求书

1.一种电信业务的故障识别与定位的方法，其特征在于，包括：

根据代表故障源的业务特征值和故障现象之间的相关系数，从样本数据中选择相关系数大于预设阈值的业务特征值，作为反向传递BP神经网络训练的业务特征值；

为已选择出的每个业务特征值确定一个基于BP神经网络的弱分类器，并将所确定的弱分类器进行线性组合，得到该业务特征值对应的一个强分类器；

按照各个业务特征值与故障现象之间的相关系数的大小顺序，将各个业务特征值对应的强分类器串联，并采用包括多故障源数据和故障现象的样本数据对串联后的强分类器进行训练，得到用于多故障源识别的层分类器；

利用所述层分类器对电信业务过程中产生的业务数据和/或网络数据进行故障识别及定位。

2.如权利要求1所述的方法，其特征在于，所述利用所述层分类器对电信业务过程中产生的业务数据和/或网络数据进行故障识别及定位，包括：将电信业务过程中产生的业务数据和/或网络数据输入所述层分类器，根据各个强分类器产生的输出，定位故障原因。

3.如权利要求1所述的方法，其特征在于，所述为已选择出的每个业务特征值确定一个基于BP神经网络的弱分类器，包括：

为已选择出的各个业务特征值，建立一个基于BP神经网络的弱分类器；

采用预先得到的包含正反业务数据的样本数据组合，训练所述弱分类器识别单故障源，直至达到预定的训练次数，得到训练后的弱分类器，其中，每执行一次训练后估算训练目标误差，选择其中误差最小的分类器并降低该分类器的权值。

4.如权利要求1所述的方法，其特征在于，所述采用包括多故障源数据和故障现象的样本数据分别对串联后的强分类器进行训练，得到用于多故障源识别的层分类器，包括：

采用包括多故障源数据和故障现象的样本数据，对串联后的强分类器进行训练，直至达到预定的训练次数，得到所述层分类器，其中，每执行一次训练后估算训练目标误差，选择其中误差最小的强分类器并降低该强分类器的权值。

5.如权利要求1所述的方法，其特征在于，进一步选择与故障现象之间的相关系数大于预设阈值的业务特征值，将所选择的业务特征值对应的强分类器进行所述串联。

6.一种电信业务的故障识别与定位的系统，其特征在于，包括：

特征值选取单元，用于根据代表故障源的业务特征值和故障现象之间的相关系数，从样本数据中选择相关系数大于预设阈值的业务特征值，作为反向传递BP神经网络训练的业务特征值；

单故障源识别单元，用于为已选择出的每个业务特征值确定一个基于BP神经网络的弱分类器，并将所确定的弱分类器进行线性组合，得到该业务特征值对应的一个强分类器；

多故障源识别单元，用于按照各个业务特征值与故障现象之间的相关系数的大小顺序，将各个业务特征值对应的强分类器串联，并采用包括多故障源数据和故障现象的样本数据对串联后的强分类器进行训练，得到用于多故障源识别的层分类器；

业务处理单元，用于利用所述层分类器对电信业务过程中产生的业务数据和/或网络数据进行故障识别及定位。

7.如权利要求6所述的系统，其特征在于，所述业务处理单元，进一步将电信业务过程中产生的业务数据和/或网络数据输入所述层分类器，根据各个强分类器产生的输出，定位故障原因。

8.如权利要求6所述的系统，其特征在于，所述单故障源识别单元，进一步用于为已选择出的各个业务特征值，建立一个基于BP神经网络的弱分类器；采用预先得到的包含正反业务数据的样本数据组合，训练所述弱分类器识别单故障源，直至达到预定的训练次数，得到训练后的弱分类器，其中，每执行一次训练后估算训练目标误差，选择其中误差最小的分类器并降低该分类器的权值。

9.如权利要求6所述的系统，其特征在于，所述多故障源识别单元，进一步用于采用包括多故障源数据和故障现象的样本数据，对串联后的强分类器进行训练，直至达到预定的训练次数，得到所述层分类器，其中，每执行一次训练后估算训练目标误差，选择其中误差最小的强分类器并降低该强分类器的权值。

10.如权利要求6所述的系统，其特征在于，所述多故障源识别单元，进一步用于选择与故障现象之间的相关系数大于预设阈值的业务特征值，将所选择的业务特征值对应的强分类器进行所述串联。