基于神經網絡和模糊綜合評價的移動網絡健康評價方法
【技術領域】
[0001] 本發(fā)明涉及移動網絡健康評價方法，更具體地說，涉及基于神經網絡和模糊綜合 評價的移動網絡健康評價方法。
【背景技術】
[0002] 移動網絡健康狀況指的是移動網絡系統(tǒng)整體運行的良好程度。移動網絡每天產生 海量告警，對這些數(shù)據(jù)進行全面分析和深入挖掘，對于促進決策的科學化、規(guī)范化以及提高 網絡運營質量都有重要意義。在移動網絡故障管理領域中，準確、快速、靈活處理告警是一 個挑戰(zhàn)，人們對于移動的健康狀況評價有多種評價方法。
[0003] 現(xiàn)有的移動網絡健康狀況評價方法主要有模糊綜合評價法、主成分分析法、SVM 法、層次分析法等。模糊綜合評價法是根據(jù)模糊數(shù)學中的隸屬度理論把系統(tǒng)定性評價轉化 為系統(tǒng)定量評價方法，以對評價事物進行綜合性評判。但模糊綜合評價法計算復雜，對指標 權重矢量的確定主觀性較強；當指標集U較大，即指標集個數(shù)凡較大時，在權矢量和為1的 條件約束下，相對隸屬度權系數(shù)往往偏小，權矢量與模糊矩陣R不匹配，結果會出現(xiàn)超模糊 現(xiàn)象，分辨率很差，無法區(qū)分誰的隸屬度更高，甚至造成評判失敗。層次分析法是將與決策 總是有關的元素分解成目標、準則、方案等層次，在此基礎之上進行定性和定量分析的決策 方法，但存在定量數(shù)據(jù)較少，定性成分多，不易令人信服、指標過多時數(shù)據(jù)統(tǒng)計量大，且權重 難以確定、特征值和特征向量的精確求法比較復雜等問題。這些常用方法普遍存在指標體 系復雜，不能夠靈活應對評價體系及指標的變化、不能夠及時反饋專家意見等問題。因此， 掌握現(xiàn)有系統(tǒng)的特點，對系統(tǒng)健康狀況運行情況進行數(shù)據(jù)量化，客觀評價基站系統(tǒng)運行狀 態(tài)，就顯得尤為重要。

【發(fā)明內容】

[0004] 為了克服現(xiàn)有技術中存在的不足，本發(fā)明目的是提供一種基于神經網絡和模糊綜 合評價的移動網絡健康評價方法。該方法能夠進行移動告警系統(tǒng)健康狀況評價分級，不斷 進行自主學習，迭代更新，具有較快的運行速度，克服了現(xiàn)有移動告警評價方法指標體系復 雜、不靈活，不能根據(jù)業(yè)務需求及時進行系統(tǒng)調整及引入專家評價意見。
[0005] 為了實現(xiàn)上述發(fā)明目的，解決現(xiàn)有技術中所存在的問題，本發(fā)明采取的技術方案 是：一種基于神經網絡和模糊綜合評價的移動網絡健康評價方法，包括以下步驟：
[0006] 步驟1、建立評價體系：提取告警系統(tǒng)中的歷史告警信息，結合移動專家意見建立 告警健康度評價標準，具體包括以下子步驟：
[0007] 子步驟（a)、將移動歷史庫中的歷史告警信息按告警級別、告警分類、告警發(fā)生模 塊指標分為6類，并對近半年內每個月的6類告警數(shù)量以天為單位分別進行統(tǒng)計，并將告警 統(tǒng)計數(shù)量存入數(shù)據(jù)庫中；
[0008] 子步驟（b)、從每類告警數(shù)量中篩選出告警數(shù)量最低值、告警數(shù)量最高值作為優(yōu)秀 及不健康的打分閾值，并結合移動專家意見將告警數(shù)量在最低值和最高值之間的告警數(shù)量 打分為健康、良好、中等，根據(jù)告警數(shù)量的大小并結合歷史數(shù)據(jù)及專家評價，將告警指標分 為優(yōu)秀、健康、良好、中等、不健康五級標準；
[0009] 子步驟（C)、根據(jù)建立的告警指標，按照正態(tài)分布方法，將以天為單位的告警數(shù)據(jù) 分為優(yōu)秀、健康、良好、中等、不健康5類健康等級，每類健康等級產生50組隨機序列，再將 5類健康等級250組不同健康度的隨機序列順序隨機打亂；
[0010] 子步驟（d)、運用公式（1)最大最小法將數(shù)據(jù)進行歸一化，
[0011] Xk= (x k-xmin) / (Xmax-Xmin) ⑴
[0012] 式中，Xniin為數(shù)據(jù)序列中的最小數(shù)，Xniax為數(shù)據(jù)序列中的最大數(shù)，x k為歸一化的數(shù) 據(jù)；
[0013] 步驟2、建立BP神經網絡：根據(jù)告警信息分類特點確定BP神經網絡的結構，初始 化BP神經網絡的權值和閾值參數(shù)，具體包括以下子步驟：
[0014] 子步驟（a)、網絡初始化，根據(jù)輸入、輸出序列（X，Y)確定輸入層節(jié)點數(shù)、隱含層 節(jié)點數(shù)、輸出層節(jié)點數(shù)，初始化鏈接權值、隱含層閾值、輸出層閾值，給定學習率和動量學習 率；
[0015] 子步驟（b)、按公式（2)確定隱含層最佳節(jié)點數(shù)，
【主權項】
1. 一種基于神經網絡和模糊綜合評價的移動網絡健康評價方法，其特征在于包括以下 步驟： 步驟1、建立評價體系：提取告警系統(tǒng)中的歷史告警信息，結合移動專家意見建立告警 健康度評價標準，具體包括以下子步驟： 子步驟（a)、將移動歷史庫中的歷史告警信息按告警級別、告警分類、告警發(fā)生模塊指 標分為6類，并對近半年內每個月的6類告警數(shù)量以天為單位分別進行統(tǒng)計，并將告警統(tǒng)計 數(shù)量存入數(shù)據(jù)庫中； 子步驟（b)、從每類告警數(shù)量中篩選出告警數(shù)量最低值、告警數(shù)量最高值作為優(yōu)秀及不 健康的打分閾值，并結合移動專家意見將告警數(shù)量在最低值和最高值之間的告警數(shù)量打分 為健康、良好、中等，根據(jù)告警數(shù)量的大小并結合歷史數(shù)據(jù)及專家評價，將告警指標分為優(yōu) 秀、健康、良好、中等、不健康五級標準； 子步驟（c)、根據(jù)建立的告警指標，按照正態(tài)分布方法，將以天為單位的告警數(shù)據(jù)分為 優(yōu)秀、健康、良好、中等、不健康5類健康等級，每類健康等級產生50組隨機序列，再將5類 健康等級250組不同健康度的隨機序列順序隨機打亂； 子步驟（d)、運用公式（1)最大最小法將數(shù)據(jù)進行歸一化， Xk - (X k_Xmin) / (Xmax_Xmin) ⑴ 式中，Xmin為數(shù)據(jù)序列中的最小數(shù)，X _為數(shù)據(jù)序列中的最大數(shù)，X k為歸一化的數(shù)據(jù)； 步驟2、建立BP神經網絡：根據(jù)告警信息分類特點確定BP神經網絡的結構，初始化BP 神經網絡的權值和閾值參數(shù)，具體包括以下子步驟： 子步驟（a)、網絡初始化，根據(jù)輸入、輸出序列（X，Y)確定輸入層節(jié)點數(shù)、隱含層節(jié)點 數(shù)、輸出層節(jié)點數(shù)，初始化鏈接權值、隱含層閾值、輸出層閾值，給定學習率和動量學習率； 子步驟（b)、按公式（2)確定隱含層最佳節(jié)點數(shù)，
式中，η為輸入層節(jié)點數(shù)，1為隱含層節(jié)點數(shù)，m為輸出層節(jié)點數(shù)，a為0-10之間的常數(shù)， 隱含層節(jié)點數(shù)的選擇首先是參考公式（2)來確定節(jié)點數(shù)的大概范圍，然后用試湊法確定隱 含層最佳節(jié)點數(shù)； 子步驟（c)、使用梯度修正法作為權值和閾值的學習方法，采用附加動量方法確定權 值，帶附加動量的權值學習公式表示為： w(k) = w (k~l) + Δ w (k) + a [w (k~l)-w (k~2) ] (3) 式中，ω (k)，ω (k_l