亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        基于優(yōu)化支持向量機的通信網(wǎng)絡故障診斷

        2024-12-19 00:00:00詹小鋒
        中國新技術新產(chǎn)品 2024年23期
        關鍵詞:通信網(wǎng)絡故障診斷

        摘 要:為了精準識別通信網(wǎng)絡故障,本文提出一種基于優(yōu)化支持向量機(Support Vector Machine,SVM)的通信網(wǎng)絡故障診斷方法。采用狼群算法(Wolf Pack Algorithm,WPA)對SVM的懲罰系數(shù)和核函數(shù)系數(shù)進行搜索,構(gòu)建基于WPA-SVM的通信網(wǎng)絡故障診斷模型。試驗結(jié)果表明,WPA-SVM模型診斷精度為98.33%,比SVM模型、神經(jīng)網(wǎng)絡模型分別提升5.36%、9.26%,使用本文方法效果更好。

        關鍵詞:通信網(wǎng)絡;故障診斷;狼群算法

        中圖分類號:TN 915 " " " " " " 文獻標志碼:A

        隨著信息技術的發(fā)展,網(wǎng)絡安全問題日益增加,傳統(tǒng)網(wǎng)絡故障診斷方法十分煩瑣,診斷周期較長,診斷精度較低[1-3],因此需要研究更加快速、精準的通信網(wǎng)絡智能診斷方法。本文采用狼群算法(Wolf Pack Algorithm,WPA)對支持向量機(Support Vector Machine,SVM)的懲罰系數(shù)和核函數(shù)系數(shù)進行搜索,對SVM的參數(shù)進行尋優(yōu),在這個基礎上構(gòu)建基于WPA-SVM的通信網(wǎng)絡故障診斷模型,利用仿真和對比對該模型的有效性和優(yōu)越性進行驗證。

        1 SVM及其優(yōu)化

        1.1 SVM分類原理

        1963年,VAPINK[4]在統(tǒng)計學理論的基礎上提出SVM,滿足VC維(Vapnik-Chervonenkis Dimension)理論,遵循結(jié)構(gòu)風險最小化原則,能夠很好地處理一些非線性問題。SVM的數(shù)據(jù)處理策略是將維度空間相對較低的數(shù)據(jù)集提升至維度較高的空間,對數(shù)據(jù)集類別進行劃分,其優(yōu)點是能夠避免在數(shù)據(jù)處理過程中算法陷入局部最優(yōu)。本文采用SVM對通信網(wǎng)絡故障進行診斷分類。

        在訓練樣本數(shù)據(jù)的過程中,SVM利用映射函數(shù)將有類別標簽的數(shù)據(jù)轉(zhuǎn)化至高維空間,根據(jù)數(shù)據(jù)特征完成分類。令數(shù)據(jù)集合為M,M={(x1, y1), (x2, y2), …, (xn, yn)}, yi∈[-1,1],n為數(shù)據(jù)維度特征,構(gòu)造合適的決策函數(shù)f(x),使平面間距達到最大,如公式(1)所示。

        f(x)=sgn(w?x+b) " " (1)

        式中:w為權(quán)值系數(shù);x為變量;b為閾值。

        不同類別數(shù)據(jù)之間的距離為2/‖w‖,為了取得最大值,目標函數(shù)如公式(2)所示。

        (2)

        式中:C為懲罰系數(shù);ξi為松弛變量;i為樣本個數(shù);yi為訓練樣本標簽;xi為樣本數(shù)據(jù)。

        在公式(2)中引入拉格朗日乘子,可以得到公式(3)。

        (3)

        式中:αi為第i個拉格朗日乘子;αj為第j個拉格朗日乘子。

        計算公式(3)中的權(quán)值系數(shù)w和閾值b,如公式(4)、公式(5)所示。

        (4)

        (5)

        式中:αi*為α的對偶系數(shù)。

        核函數(shù)是SVM進行數(shù)據(jù)集空間轉(zhuǎn)換的必要條件,在核函數(shù)的作用下,SVM的訓練難度明顯降低,能夠避免數(shù)據(jù)集維度過多造成計算量過大。常用的核函數(shù)類型有多項式核函數(shù)、徑向基核函數(shù)和Sigmoid核函數(shù),其特點各不相同。多項式核函數(shù)多用于線性分類,非線性分類使用多項式核函數(shù)容易出現(xiàn)過擬合現(xiàn)象;Sigmoid核函數(shù)適用于建立多層感知器模型;徑向基核函數(shù)的泛化能力不受樣本容量的限制,抗干擾能力強,因此本文將徑向基核函數(shù)作為SVM建模的核函數(shù)。

        1.2 WPA算法尋優(yōu)原理

        2013年,吳虎勝[5]提出了性能優(yōu)越的尋優(yōu)算法,即WPA。WPA的尋優(yōu)原理來自自然界中狼群的狩獵行為,在狩獵過程中,狼群中有頭狼、探狼和猛狼3種不同的角色,頭狼是整個狼群的首領,其作用是指導探狼、猛狼搜索、圍捕獵物;探狼是信息感知者,不斷奔走來搜索獵物;猛狼是攻擊者,其作用是圍捕獵物,狼群角色劃分如圖1所示。

        令狼群中狼個體數(shù)量為N,搜索空間維度為d,狼個體為Xi=(xi1,xi2,…,xid),WPA的主要尋優(yōu)過程如下。

        1.2.1 產(chǎn)生頭狼

        采用隨機初始化的方式產(chǎn)生初始狼群,選擇適應度最好的狼個體Ylead作為頭狼,當其他個體的適應度值比頭狼更高時,該個體便成為頭狼。

        1.2.2 探狼游走

        令狼群中探狼數(shù)量為M,探狼數(shù)量取決于[N/(α+1),N/α],α為比例系數(shù),當搜索獵物時,共有h個方向,探狼的移動步長為stepa,令探狼初始適應度為Yi,假設探狼向方向p(p=1,2,…,h)移動,那么探狼位置的更新過程如公式(6)所示。

        xp id=xid+sin(2π·p/h)·stepd a " " " " " " " " " " " " " " " " "(6)

        式中:xp id為p方向探狼位置;xid為狼個體位置;p為當前方向;h為獵物個數(shù);stepd a為在d維空間中探狼的移動步長。

        探狼每更新一次位置,其對應的新適應度值為Yip,如果Yip優(yōu)于Yi,那么用Yip替代Yi,比較Yip與頭狼適應度值Ylead,如果Yip優(yōu)于Ylead,那么該探狼個體更新為頭狼,并向種群中的猛狼發(fā)起召喚,否則探狼繼續(xù)搜索獵物,直至達到最大迭代次數(shù)Tmax。

        1.2.3 猛狼奔襲

        在狼群中,猛狼的數(shù)量為N-M,當接收頭狼的召喚信息時,猛狼會立即向頭狼靠攏,令猛狼運動步長為stepb,在奔襲過程中猛狼位置的更新公式如公式(7)所示。

        xidk+1=xidk+stepbd×(gdk-xidk)/|gdk-xidk| " " " " " (7)

        式中:xidk+1為狼個體k+1次迭代;xidk為狼個體的迭代次數(shù);k為迭代次數(shù);stepbd為在d維空間中猛狼的運行步長;gdk為當?shù)趉次迭代時頭狼的位置。

        1.2.4 圍攻獵物

        當猛狼到達攻擊位置后,狼群開始攻擊獵物,獵物位置就是頭狼所在位置,令頭狼位置為Gdk,攻擊步長為stepc,那么圍攻獵物過程中狼群位置更新如公式(8)所示。

        xidk+1=xidk+λ×stepcd×|Gdk-xidk| " " " " " " " " " " " " " (8)

        式中:λ為頭狼位置系數(shù);stepcd為在d維空間中狼群的攻擊步長。

        探狼移動步長stepa、猛狼運行步長stepb和狼群攻擊步長stepc之間的關系如公式(9)所示。

        stepad=stepbd/2=stepcd×2=|maxd-mind|/S (9)

        式中:S為步長因子。

        1.2.5 狼群更新

        在狩獵過程中,適應值低的狼會被淘汰,設其數(shù)量為R。為了保持狼群數(shù)量不變,會隨機產(chǎn)生同樣數(shù)量的狼進行補充,R的取值范圍為[N/2×β,N/λ],β為更新比例系數(shù)。

        2 基于WPA-SVM的通信網(wǎng)絡故障診斷模型

        為了提升SVM的分類性能,本文采用WPA尋找懲罰系數(shù)C和核函數(shù)系數(shù)σ的最優(yōu)值,構(gòu)建基于WPA-SVM的通信網(wǎng)絡故障診斷模型,WPA-SVM模型的建模步驟如下。1)輸入通信網(wǎng)絡故障樣本數(shù)據(jù),劃分樣本集,并利用最大最小化法進行歸一化處理。2)初始化SVM,設置C和σ的初值以及尋優(yōu)范圍。3)初始化狼群,設置相關參數(shù),包括N、步長因子S、最大迭代次數(shù)kmax、距離判定因子ω、最大游走次數(shù)Tmax以及比例系數(shù)α、β等。4)設置適應度函數(shù),計算狼個體的初始適應度值,確定頭狼位置及其適應度Ylead,適應度函數(shù)計算過程如公式(10)所示。

        (10)

        式中:χ為準確率;Q為數(shù)據(jù)總量;q為診斷結(jié)果錯誤的數(shù)據(jù)量。5)更新探狼位置并計算其適應度Yi,比較Yi與Ylead優(yōu)劣,如果Yi優(yōu)于Ylead,那么更新頭狼位置,程序進入下一步,否則探狼繼續(xù)游走,游走次數(shù)為Tmax時,程序進行下一步。6)更新猛狼位置并計算猛狼適應度值,比較Yi與Ylead優(yōu)劣,如果Yi優(yōu)于Ylead,那么更新頭狼位置,否則當猛狼奔襲至攻擊位置時,程序進入下一步。7)狼群對獵物進行圍攻,并更新狼群位置。8)判斷程序是否迭代至kmax,如果是,那么輸出C和σ的最優(yōu)值,否則返回步驟(5)。9)利用WPA-SVM模型進行故障診斷,輸出通信網(wǎng)絡故障診斷結(jié)果。

        3 算例分析

        通信網(wǎng)絡典型故障類型通常包括雙工模式不匹配、接口速率不匹配、以太網(wǎng)未連接、接口負載過大、接口信號丟失以及鏈路寬帶不足。利用網(wǎng)絡測試系統(tǒng)獲得上述6種故障類型數(shù)據(jù),樣本數(shù)據(jù)劃分以及故障編碼情況見表1。

        設置WPA算法的參數(shù)如下:狼群容量N=100、步長因子S=800、探狼比例因子α=4、最大迭代次數(shù)kmax=200、游走方向h=4、最大游走次數(shù)Tmax=20以及更新比例系數(shù)β=5。利用訓練集中的樣本數(shù)據(jù)進行訓練,采用WPA算法搜索SVM的懲罰系數(shù)C和核函數(shù)系數(shù)σ的最優(yōu)值,獲得的尋優(yōu)結(jié)果為C=43.78,σ=10.14。將C和σ最優(yōu)值賦予SVM后,使用WPA-SVM模型對測試集樣本數(shù)據(jù)進行診斷,WPA-SVM模型的診斷結(jié)果如圖2所示,由圖2可知,WPA-SVM模型輸出結(jié)果出現(xiàn)1個錯誤,誤將接口速率不匹配診斷為接口負載過大。

        為了驗證WPA-SVM模型的效果,利用SVM和BPNN分別構(gòu)建SVM模型和BPNN模型,使用相同的樣本數(shù)據(jù)進行訓練和測試,SVM模型和BPNN模型的診斷結(jié)果分別如圖3、圖4所示。由圖3、圖4可知,SVM模型和BPNN模型的輸出結(jié)果分別出現(xiàn)了4次、6次錯誤,與WPA-SVM模型相比,診斷效果較差。

        計算WPA-SVM模型、SVM模型和BPNN模型的診斷精度,各模型診斷精度見表2。由表2可知,WPA-SVM模型、SVM模型和BPNN模型的診斷精度分別為98.33%、93.33%和90%,與SVM模型和BPNN模型相比,WPA-SVM模型精度分別提升5.36%和9.26%,說明WPA-SVM模型在網(wǎng)絡故障診斷方面效果更好[6]。

        4 結(jié)論

        本文采用WPA算法確定了SVM懲罰系數(shù)和核函數(shù)系數(shù)的最優(yōu)值,提升了SVM的非線性分類性能。在這個基礎上構(gòu)建了基于WPA-SVM的通信網(wǎng)絡故障診斷模型,利用網(wǎng)絡測試系統(tǒng)獲取通信網(wǎng)絡典型故障類型數(shù)據(jù)進行仿真。將WPA-SVM模型的診斷結(jié)果與SVM模型和BPNN模型進行對比,結(jié)果表明,WPA-SVM模型、SVM模型和BPNN模型的診斷精度分別為98.33%、93.33%和90%,驗證了WPA-SVM模型在網(wǎng)絡故障診斷方面效果更好。

        參考文獻

        [1]徐延海.基于GAN的通信網(wǎng)絡故障檢測與診斷方法[J].自動化技術與應用,2024,43(4): 67-70,146.

        [2]羅鵬,李景文.面向大數(shù)據(jù)平臺調(diào)度優(yōu)化的通信網(wǎng)絡故障診斷 [J].微型電腦應用,2024,40(3)198-201,213.

        [3]齊放,姚渭箐,張成,等.基于卷積神經(jīng)網(wǎng)絡的電力通信網(wǎng)絡故障診斷[J].信息技術,2023(6):119-123,128.

        [4]VAPNIK V N. An overview of statistical learning theory[J].IEEE transactions on neural networks,1999,10(5):988-999.

        [5]吳虎勝,張鳳鳴,吳廬山.一種新的群體智能算法一狼群算法[J].系統(tǒng)工程與電子技術,2013,35(11):2430-2438.

        [6]印云剛,劉闖,何其新,等.基于改進狼群算法的含風電配電網(wǎng)無功優(yōu)化[J].內(nèi)蒙古電力技術,2023,41(3):1-7.

        通信作者:詹小鋒(1980—),男,廣東湛江人,本科,工程師,研究方向為網(wǎng)絡工程。

        電子郵箱:26147883@qq.com。

        猜你喜歡
        通信網(wǎng)絡故障診斷
        凍干機常見故障診斷與維修
        淺談通信網(wǎng)絡安全維護中的常見問題及對策
        空間激光通信研究及發(fā)展趨勢
        物聯(lián)網(wǎng)關鍵技術的發(fā)展對通信網(wǎng)絡的影響
        軍民融合背景下通信網(wǎng)絡協(xié)調(diào)發(fā)展策略
        電力系統(tǒng)通信的網(wǎng)絡安全問題
        基于量子萬有引力搜索的SVM自駕故障診斷
        基于數(shù)字總線技術的民用飛機客艙系統(tǒng)通信網(wǎng)絡
        科技視界(2016年23期)2016-11-04 20:14:00
        因果圖定性分析法及其在故障診斷中的應用
        基于LCD和排列熵的滾動軸承故障診斷
        日韩在线无| 亚洲精品1区2区在线观看| 亚洲av日韩av女同同性| 好屌草这里只有精品| 亚洲AV毛片无码成人区httP | 亚洲中文无码久久精品1| 国产三级黄色的在线观看| 国产精品伦理久久一区| 亚洲va久久久噜噜噜久久天堂| 麻豆精品久久久久久久99蜜桃| 刺激一区仑乱| 成人中文乱幕日产无线码| 久青草久青草视频在线观看| 国产一级毛片卡| 亚洲高清国产一区二区| 亚州国产av一区二区三区伊在| 中国老熟女露脸老女人| 亚洲人成人无码www影院| 久久中文精品无码中文字幕| 岛国熟女一区二区三区| 日本一区二区在线播放| 天堂资源中文网| 免费特级毛片| 国产精品玖玖玖在线资源| 亚洲国产都市一区二区| 变态另类手机版av天堂看网| 亚洲自偷精品视频自拍| 男男性恋免费视频网站| 国产婷婷丁香久久综合| 我和丰满老女人性销魂| 97中文字幕精品一区二区三区 | 91超精品碰国产在线观看| 最新中文字幕av无码不卡| 日韩精品一区二区三区视频| 爆乳无码AV国内| 五月激情在线视频观看| 色吧噜噜一区二区三区| 十八禁在线观看视频播放免费| 国产精品99久久免费| 亚洲av乱码国产精品色| 国产91色综合久久免费|