模糊神經網絡在網絡故障診斷中的應用

吳敏

摘要：從模糊系統和神經網絡基本理論出發，研究其在網絡故障診斷中應用的可行性、優越性，并將模糊系統和神經網絡理論與故障診斷實際相結合，針對網絡故障診斷中的一些具體問題應用MATLAB軟件中的模糊系統工具箱和神經網絡工具箱進行仿真加以解決。

關鍵詞：模糊系統;神經網絡;故障診斷;模式識別;信號處理

中圖分類號：TP391.76 ? ? ? ?文獻標識碼：A

文章編號：1009-3044（2019）14-0174-03

Abstract： Based on the basic theory of fuzzy systems and neural networks， the feasibility and superiority of their application in network fault diagnosis are studied， and the theory of fuzzy systems and neural networks is combined with the practice of fault diagnosis. For some specific problems in network fault diagnosis， the fuzzy system toolbox and neural network toolbox in MATLAB software are used for simulation to solve the problem.

Key words：fuzzy system; neural network; fault diagnosis; pattern recognition; signal processing

1 引言

近年來，模糊理論和神經網絡技術發展迅速，在軍事、醫學、工程、計算機、人工智能等領域應用廣泛。模糊理論和神經網絡技術對處理很多傳統方法無法解決或在很難處理的復雜問題上具有明顯優勢，基于這兩個學科衍生出來的邊緣學科也逐步開辟出新的研究領域。

計算機網絡是一個極其龐大復雜的系統工程，計算機網絡和用戶主機在運行過程中，都不可避免地會出現各種各樣的故障，對網絡故障進行及時診斷、處理，保障網絡和用戶主機的正常穩定運行至關重要。網絡故障診斷往往異常復雜，涉及許多諸如系統建模、數據處理、信號分析、類型識別、系統仿真等繁復問題。為了能優質、高效地處理網絡故障診斷中的某些復雜問題，有必要借助模糊神經網絡技術以輔助網絡故障的測試診斷。

2 模糊神經網絡概述

自然語言中常采用一些模糊的概念，如“網絡響應時間過長”、“數據擁塞嚴重”等，要描述這些模糊概念并對它們進行分析、推理，需要用模糊集合和模糊邏輯來解決。與傳統集合不同的是，模糊集中的一個元素可以屬于該集合，也可不屬于該集合，亦彼亦此，邊界不分明或界限模糊。模糊邏輯認為，任何命題的真實性只是一定程度的真實性。隨機性反映客觀上的不確定性，或偶然性，而模糊性卻反映主觀理解的不確定性，即在語義理解上對事件定義或概念描述的不確定性。給定一個論域U，那么從U到單位區間[0，1]的一個映射稱為U上的一個模糊集，或U的一個模糊子集。模糊集可記為A。映射μA（·）叫作模糊集A的隸屬度函數。對于每個x∈U，μA（x）叫作元素x對模糊集A的隸屬度。常用的隸屬度函數主要有高斯型函數、鐘形函數、梯形函數、三角形函數、Z形函數和sigmoid型函數等。如圖1所示為鐘形隸屬度函數。

將給定的輸入到輸出的模糊邏輯映射過程稱為模糊推理。模糊控制以模糊集和模糊推理為基礎實現控制過程，對于那些由于被控對象過程非線性、參數間耦合強烈、隨機干擾較大、過程機理錯綜復雜以及現場測量手段不足，或者測量手段無法進入被測區，以致不能直接獲得數學模型描述的系統，可用模糊系統加以控制。模糊系統既可用于自動控制、模糊聚類，還可用于系統建模、信號處理和決策分析等許多領域，其理論基礎主要是模糊推理，只是根據不同的問題采用不同的隸屬度函數形式和模糊算子而已。

人工神經網絡（Artificial Neural Network，即ANN ）是20世紀80 年代以來人工智能領域興起的研究熱點，在工程與學術界也常直接簡稱為神經網絡或類神經網絡。它是一種模仿動物神經網絡行為特征進行分布式并行信息處理的算法數學模型，模型一般由大量神經元之間相互聯接構成，每個神經元節點代表一種特定的激勵函數。節點間的連接都賦予一個權重值，這相當于人工神經網絡的記憶，不同的連接方式、權重值和激勵函數產生不同網絡輸出。網絡本身通常是對自然界某種算法或者函數的逼近，也可能是對一種邏輯策略的表達。神經網絡的結構類型主要有：感知器、線性神經網絡、BP網絡、徑向基函數網絡、自組織競爭網絡和回歸網絡等。

最近十多年來，人工神經網絡的研究工作不斷深入，已經取得了很大的進展。神經網絡具有自學習、自組織、聯想記憶、高速尋找優化解和并行處理等特性，在模式識別、智能機器人、自動控制、預測估計等領域已成功地解決了許多現代計算機難以解決的實際問題，表現出了良好的智能特性。

模糊理論與神經網絡技術兩者之間相互滲透和有機結合，促進了模糊神經網絡技術的發展，也開辟了一些新的研究領域。二者結合實際上是在模擬人類大腦結構和功能，是大腦神經網絡“硬件”拓撲結構和信息模糊處理“軟件”思維功能的結合。兩者融合主要體現在模糊系統和神經網絡的簡單結合、用模糊理論增強的神經網絡、用神經網絡增強的模糊系統和借鑒模糊系統設計的神經網絡結構等方面。

利用模糊神經網絡設計模型和處理問題時，往往會涉及大量數值計算，如：微分求解、最小二乘法處理、模式正交化、優化匹配等。MATLAB軟件提供了模糊系統工具箱（fuzzy system）和神經網絡工具箱（neural network）等軟件包為解決底層工作的抽取調用提供了較大的便利。模糊系統工具箱提供了不少函數支持和建模的用戶界面。神經網絡工具箱以人工神經理論為基礎，構造出如線性、S型、競爭層、飽和線性等典型的神經網絡激活函數，可將對所選定網絡輸出的計算轉化為調用激活函數。用戶根據需要調用工具箱中的程序，可從煩瑣的編程中解脫出來，直接面對需要解決的問題，從而較大的提高質效。

以模糊邏輯系統為基礎的模糊模型也可用于對非線性動態建模，其中，Sugeno型模糊系統對模糊建模是非常適合的，MATLAB的模糊工具箱提供了訓練模糊系統的函數，如：genfis1，genfis2，anfis等。這類Sugeno型模糊推理系統可等效成參數，可自適應調節神經網絡系統，即自適應神經網絡推理系統。模糊建模過程大致可分為六個步驟：產生訓練數據和檢驗數據;確定輸入變量的隸屬度函數的類型和個數;由genfis1函數產生初始的FIS結構;設定ANFIS訓練的參數;利用ANFIS函數訓練ANFIS;檢驗得到的FIS的性能。

例如對非線性函數進行逼近：f（u）=0.7sin（πu）+0.3sin（3πu）+0.1sin（5πu），仿真結果如圖4所示，圖中依次給出了ANFIS訓練，前的隸屬度函數、訓練后的隸屬度函數、原始的f（u）和ANFIS輸出比較以及訓練過程的誤差。

3.5 故障檢測

利用補償模糊神經網絡，可對建模系統進行故障檢測。利用模糊神經網絡的遞歸運算進行長時間的預報，不需要參考實際輸出，就可在訓練數據范圍內提供系統的外部輸入，因此，補償神經網絡模型就可以預報系統正常運行行為。如果故障發生，在比較系統的測量輸出與預報輸出的基礎上產生殘差，殘差將給出實際傳感器測量偏差。對殘差信號進行分析，運用故障決策規則就可以進行故障檢測。同時也可以利用傳感器輸出信息來辨識故障。

4 結束語

當前，模糊神經網絡應用得越來越廣泛，它不僅是一種先進的前沿技術，更是一種優越的復雜問題處理方法，發展至今已解決了許多具有挑戰性的工程和理論問題，許多新的模糊神經網絡模型和算法正在不斷地自我豐富，對其他學科和領域的滋養更是日漸廣泛和充盈。進行模糊神經網絡在網絡故障診斷中的應用探討旨在拋磚引玉，希望越來越多的研究者更深入地投入到新技術新方法應用中來。

參考文獻：

[1] 黃文梅.系統分析與仿真：MATLAB語言及應用[M].湖南：國防科技大學出版社，1999.

[2] 樓順天.基于MATLAB的系統分析與設計——模糊系統[M].西安：電子科技大學出版社，2001.

[3] 聞新. MATLAB神經網絡應用設計[M].北京：科學出版社，2000.

【通聯編輯：代影】