-
公开(公告)号：CN110139315B
公开(公告)日：2021-09-28
申请号：CN201910343031.X
申请日：2019-04-26
Applicant: 东南大学
Abstract: 本发明公开了一种基于自我学习的无线网络故障检测方法，具体如下：采集网络关键性能指标KPI记录并将其保存为数据集合；对该数据集合采用SMOTEENN方法进行不平衡处理，获得平衡后的平衡数据集；通过稀疏自编码器从无标签辅助数据集中学习基向量；将平衡后的平衡数据集表示为各基向量线性组合的形式，并在此新表示下的平衡数据集上经支持向量机SVM方法训练得到正常与故障类别的分类模型；利用已建立好的分类模型对网络实时产生的KPI数据记录进行分类，进而达到故障检测的目的。本发明更为准确且有效地检测网络故障；且自我学习的形式方便迁移，在新的网络环境下能够很快得到故障检测的模型，提升了以往方法的故障检测效率。
-
公开(公告)号：CN110062410A
公开(公告)日：2019-07-26
申请号：CN201910242265.5
申请日：2019-03-28
Applicant: 东南大学
IPC: H04W24/08 , H04W24/10 , G06N3/06 , G06N3/04 , G06K9/62 , H04B17/318 , H04B17/327
Abstract: 本发明公开了一种基于自适应谐振理论的小区中断检测定位方法，该方法在包含多个小区的采集区域中，通过用户周期性上报测量报告的形式获取其KPI、用户标识及位置信息，并根据其中的KPI信息对用户采用基于自适应谐振理论(Adaptive Resonance Theory,ART)网络和K-S检验(Kolmogorov-Smirnov test)的方法进行聚类，再根据聚类分析的结果，结合用户位置信息判断和定位采集区域中的中断小区。本发明中基于ART方法充分考虑了网络中有标签历史数据少甚至没有的情况，其与K-S检验结合的方法能够准确而有效地完成小区中断检测功能，结合位置信息对中断小区的定位效果良好。
-
公开(公告)号：CN110062410B
公开(公告)日：2021-09-28
申请号：CN201910242265.5
申请日：2019-03-28
Applicant: 东南大学
IPC: H04W24/08 , H04W24/10 , G06N3/06 , G06N3/04 , G06K9/62 , H04B17/318 , H04B17/327
Abstract: 本发明公开了一种基于自适应谐振理论的小区中断检测定位方法，该方法在包含多个小区的采集区域中，通过用户周期性上报测量报告的形式获取其KPI、用户标识及位置信息，并根据其中的KPI信息对用户采用基于自适应谐振理论(Adaptive Resonance Theory,ART)网络和K‑S检验(Kolmogorov‑Smirnov test)的方法进行聚类，再根据聚类分析的结果，结合用户位置信息判断和定位采集区域中的中断小区。本发明中基于ART方法充分考虑了网络中有标签历史数据少甚至没有的情况，其与K‑S检验结合的方法能够准确而有效地完成小区中断检测功能，结合位置信息对中断小区的定位效果良好。
-
公开(公告)号：CN110139315A
公开(公告)日：2019-08-16
申请号：CN201910343031.X
申请日：2019-04-26
Applicant: 东南大学
Abstract: 本发明公开了一种基于自我学习的无线网络故障检测方法，具体如下：采集网络关键性能指标KPI记录并将其保存为数据集合；对该数据集合采用SMOTEENN方法进行不平衡处理，获得平衡后的平衡数据集；通过稀疏自编码器从无标签辅助数据集中学习基向量；将平衡后的平衡数据集表示为各基向量线性组合的形式，并在此新表示下的平衡数据集上经支持向量机SVM方法训练得到正常与故障类别的分类模型；利用已建立好的分类模型对网络实时产生的KPI数据记录进行分类，进而达到故障检测的目的。本发明更为准确且有效地检测网络故障；且自我学习的形式方便迁移，在新的网络环境下能够很快得到故障检测的模型，提升了以往方法的故障检测效率。
-
-
-
Search Results
4
records
(took 0.015 seconds)
