[发明专利]基于SVM的蜂窝网络故障诊断系统

权利要求书

1.基于SVM的蜂窝网络故障诊断系统，其特征在于：

1)本系统是SVM在蜂窝网络故障诊断领域的首次应用；

2)对KPI数据进行有效的归一化处理；

3)组合分类训练样本，构造二分类模型；

4)整合二分类模型，以投票机制进行诊断。

2.如权利要求1所述的基于SVM的蜂窝网络故障诊断系统，其特征在于本系统是SVM在蜂窝网络故障诊断领域的首次应用，近几年提出了许多蜂窝网络的故障诊断方法，包括贝叶斯网络、模糊算法、遗传算法等，但是利用SVM进行故障诊断还是首次提出，本系统通过对已有历史故障参数数据集进行分析，使用SVM(支持向量机)方法训练得到一个稳定的故障诊断系统，并以此系统为依据，将获取到的未知故障原因的故障用例作为该系统的输入，系统根据故障用例的相关参数对故障进行分类，分类的结果即是故障出现的病因，以此达到故障诊断的目的。

3.如权利要求1所述的基于SVM的蜂窝网络故障诊断系统，其特征在于对KPI数据进行有效的归一化处理：

步骤1：KPI向量离差标准化，标准差能反映一个数据集的离散程度，平均数相同的，标准差未必相同。离差标准化是对原始数据的线性变换，使结果值映射到[0-1]之间。转换函数如下：

其中，x代表KPI向量中的某一元素，min代表KPI向量中所有元素的最小值，max代表KPI向量中所有元素的最大值。

步骤2：KPI向量Z-score标准化，这种方法给予原始数据的均值(mean)和标准差(standard deviation)进行数据的标准化。经过处理的数据符合标准正态分布，即均值为0，标准差为1，转化函数为：

其中μ为所有样本数据的均值，σ为所有样本数据的标准差。

4.如权利要求1所述的基于SVM的蜂窝网络故障诊断系统，其特征在于组合分类训练样本，构造二分类模型，由于故障诊断的实质是多分类，所以要将二分类扩展到多分类，对于训练集中已知的分类数设为n，从已知分类中挑出两类来产生分类器，所以n个分类数能够产生n*(n-1)/2个二分类分类器，SVM方法是通过一个非线性映射p，把样本空间映射到一个高维乃至无穷维的特征空间中，使得在原来的样本空间中非线性可分的问题转化为在特征空间中的线性可分的问题.简单地说，就是升维和线性化。升维就是把样本向高维空间做映射，一般情况下这会增加计算的复杂性，甚至会引起“维数灾难”，因而人们很少问津.但是作为分类、回归等问题来说，很可能在低维样本空间无法线性处理的样本集，在高维特征空间中却可以通过一个线性超平面实现线性划分，在样本空间中，划分超平面可以通过如下线性方程来描述：

ω^Tx+b＝0

其中ω＝(w₁；w₂；w₃；....w_n)为法向量，决定了超平面的方向，b为位移项，决定了超平面与原点之间的距离，显然超平面的划分可被法向量ω和位移b决定，记为(ω，b)，样本空间中任一点x到超平面(ω，b)的距离可以写为

假设超平面(ω，b)能将训练样本正确分类，即对于(x_i，y_i)∈D，若y_i＝+1，则有ω^Tx_i+b＞0，若y_i＝-1，则有ω^Tx_i+b＜0，令

距离超平面最近的几个训练样本点使上式的等号成立，它们被称为支持向量，两个异类支持向量到超平面的距离之和称之为间隔

具有最大间隔的超平面就是用来进行分类的最好模型，欲使间隔最大，就是找到ω和b使得γ最大，也就是最小化||ω||²，所以求解该式就能得到划分超平面所对应的模型

f(x)＝ω^Tx+b

最小化的问题可以用拉格朗日乘子法解决，该问题的拉格朗日函数可以写为

其中，α＝(α₁；α₂；...；α_m)，令L(ω，b，α)对ω和b求偏导为零并带入拉格朗日函数可得最小化问题的对偶问题

解出α后，求出ω和b即可得到模型。

。

5.如权利要求1所述的基于SVM的蜂窝网络故障诊断系统，其特征在于对训练得到的二分类系统以投票的方式进行整合，达到多分类的目的，用投票法将n*(n-1)/2个分类器进行整合，得票最多的类为输入向量所属的类，从而将该向量对应的用例诊断为该类病因。