[发明专利]基于集成学习和SMOTE的蜂窝网络故障诊断系统

权利要求书

1.基于集成学习和SMOTE的蜂窝网络故障诊断系统，其特征在于：

1)本系统是AdaBoost在蜂窝网络故障诊断领域的首次应用；

2)本系统是SMOTE首次用来处理蜂窝网络环境下的不平衡数据集；

3)AdaBoost集成学习方法以决策树桩作为基分类器；

4)将二分类算法扩展到多分类中。

2.如权利要求1所述的基于集成学习和SMOTE的蜂窝网络故障诊断系统，其特征在于本系统是AdaBoost集成学习方法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AdaBoost集成学习方法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AdaBoost集成学习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所述的基基于集成学习和SMOTE的蜂窝网络故障诊断系统，其特征在于首次采用SMOTE处理不平衡数据集，有效的提高了故障诊断的精度，降低了误诊的代价。对于数据样本X_i，通过K-近邻算法选出最为相近的K个邻居数据样本，从K个邻居中随机选择个邻居X_i，计算X_i和X_j之间的差值，然后通过以下公式获得新的样本数据

X_n＝X_i+rand(0，1)*(X_i-X_j)

4.如权利要求1所述的基于集成学习和SMOTE的蜂窝网络故障诊断系统，其特征在于AdaBoost集成学习方法以决策树桩作为基分类器。对于经SMOTE过采样的训练集，按照所属类别数抽取出两两组合的子集，该子集中只有两类样本并且包含着两类所有的样本，排列组合后得到M＝n*(n-1)/2(n为类别数)个子集，对于每个子集，分别应用AdaBoost算法训练分类模型。

首先，对子集中的每个样本赋予一个初始权值D₀＝(w₁，w₂，...，w_m)(m为子集中样本数)；

其次，以该子集和对应的权重向量为基础训练弱分类器，并计算该弱分类器的错误率

同时，定义

如果某个样本在本次训练的弱分类器重中被正确划分，其权值更新为

如果某个样本在本次训练的弱分类器重中被错误划分，其权值更新为

其中，为标准化因子，t为当前迭代次数，i对应第i个子集。上述过程重复执行，直至迭代次数达到要求。在经过T次迭代后，会得到一个M行T列弱分类器矩阵

其中，代表在第i个子集上进行第j次迭代训练得到的基分类器。

5.如权利要求1所述的基于集成学习和SMOTE的蜂窝网络故障诊断系统，其特征在于将原本的二分类算法扩展到多分类中，对训练得到的二分类模型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。