基于DOA-ELM 的移動通信網絡故障診斷模型

摘要：為實現移動通信網絡故障的精準識別，文章提出一種基于澳洲野犬算法（Dingo Optimization Algorithm，DOA） 優化極限學習機（Extreme Learning Machine，ELM） 的故障診斷模型（DOA-ELM） 。以12個網絡故障特征量為輸入、4種連接故障為輸出，采用DOA算法優化ELM的輸出權值，構建了網絡結構為12-13-4的DOA-ELM模型。實驗結果表明，DOA-ELM模型的平均診斷精度達到97.81%，相較于其他三種模型，該模型具有更高的診斷精度和模型穩定性，驗證了其有效性。

關鍵詞：移動通信網絡；故障診斷；澳洲野犬優化算法；極限學習機；診斷精度

中圖分類號：TP393 文獻標識碼：A

文章編號：1009-3044（2024）32-0074-03 開放科學（資源服務）標識碼（OSID） ：

移動通信網絡的快速發展給人們的生活帶來了極大便利，人們的生產生活越來越離不開移動通信網絡[1]。與傳統通信網絡相比，移動通信網絡分布范圍更廣、維護難度更大[2]。因此，快速準確定位故障并及時采取處置措施，對提升用戶體驗、提高服務質量至關重要[3]，這也使得對移動通信網絡故障診斷方法的研究尤為必要。

為快速識別移動通信網絡故障，相關研究者對其診斷方法進行了大量研究。常瑞莉針對目前移動通信故障診斷精度不高的問題，設計了一種基于BP神經網絡的移動通信網絡故障診斷方法，利用該方法實現了移動通信的快速準確診斷[4]。張佩佩等人在前人研究的基礎上，創新性地將深度Q學習網絡應用于移動通信故障診斷，不僅對移動通信網絡故障診斷模型進行了設計，還開發了一套應用于移動通信網絡的故障檢測系統[5]。唐建華等人利用神經網絡構建了4G 移動網絡通信故障診斷模型，利用該模型解決移動通信網絡故障診斷問題時獲得了較理想的診斷效果，不僅提高了診斷效率，也降低了網絡運維成本。現有移動通信網絡診斷方法普遍存在診斷精度不足和穩定性較差等問題，滿足實際應用需求的故障診斷方法有待進一步研究[6]。

1 算法介紹

1.1 DOA 算法原理

DOA算法是根據澳洲野犬的四種自然行為提出的一種群體智能尋優算法[7]。這四種自然行為主要包括群體狩獵、追捕、食腐、生存，通過四種行為不斷改變自身位置，最終獲得獵物。群體狩獵行為、追捕行為和食腐行為之間是互斥的，即在同一時間，野犬只能執行其中的一種行為；而生存行為是在前三種行為的基礎上通過判斷條件執行的一種跳躍行為，便于算法在陷入局部最優時能夠及時跳出。在上述四種不同行為的引導下，算法在搜索空間中獲得最優解的成功率更高，相比其他尋優算法，DOA算法具有更好的適用性，能夠快速向全局最優解收斂。

澳洲野犬種群通過隨機初始化獲得初始位置，初始位置的定義如下：

Xi = ui + r1（d ） i - ui （1）

式中：Xi 為第i 只澳洲野犬的初始位置；di 為尋優空間的上邊界； ui 為尋優空間的下邊界；r1 隨機數，其值在[0，1]范圍內。

行為1：群體狩獵行為

澳洲野犬在尋優空間內發現獵物后，會通知其他個體包圍獵物，并以獵物為中心進行分工狩獵，該行為可建模為：

式中：t 為當前迭代次數；xi （t + 1）為澳洲野犬i 移動后的新位置；n 為[2，S/2]范圍內的隨機整數，其中S為澳洲野犬數量；φk （t）為澳洲野犬種群的子集，且滿足φ ? X，其中X 為隨機產生的澳洲野犬種群；xi （t）為澳洲野犬i 的當前位置；xθ （t） 為當前野犬種群的最佳位置；β1為[-2，2]范圍內的隨機數。

行為2：追捕行為

該行為主要針對小型獵物，對于尋優空間內的小型獵物，澳洲野犬采用追捕行為進行攻擊，其數學模型為：

xi （t + 1） = xθ （t） + β1 ? eβ2 ? （x ） r1 （t） - xi （t） （3）

式中：β2 為[-1，1]之間的隨機數；r1 為[1，xmax]范圍內的隨機整數，其中xmax為隨機數；xr1 （t）為隨機挑選的第r1只澳洲野犬的位置，其中r1 ≠ i。

行為3：食腐行為

為了不遭受饑餓，澳洲野犬也會在尋優范圍內尋找腐肉以補充體能，食腐行為的數學模型為：

xi （t + 1） =1／2[e ] β2 ? xr1 （t） - （-1）σ ? xi （t） （4）

式中： σ為隨機生成的二進制數，σ ∈ {0，1}。

策略4：生存行為

非法捕獵是造成澳洲野犬數量減少的主要原因，因此DOA算法需要考慮澳洲野犬的存活率，其計算公式為：

pi = fmax - fi／fmax - fmin （5）

式中：pi 為澳洲野犬i 的存活率；fi 為澳洲野犬i 的適應度值；fmax、fmin 為澳洲野犬種群的最佳適應度值和最差適應度值。

當野狗存活率低于0.3時，需要執行生存行為，生存行為的數學模型為：

xi （t） = xθ （t） +1／2[ x ] r1 （t） - （-1）σ ? xr2 （t） （6）

式中：r2 為[1，xmax]之間的隨機整數，且r2 ≠ r1；xr2 （t）為澳洲野犬r2的位置。

在上述4種自然行為中，澳洲野犬種群執行哪種行為取決于兩個參數P 和Q，算法每迭代一次，均會生成兩個隨機數，通過參數比較確定澳洲野犬的行為，通過不斷更新位置和優劣比較，最終獲得最優野犬位置，即為獵物位置。

1.2 ELM 基本原理

ELM是根據廣義前饋神經網絡改進得到的[8]，相比廣義前饋神經網絡，ELM的結構和訓練方法更簡單，在訓練過程中，ELM的輸入權重和偏置值是隨機產生的，訓練效果只取決于輸出權重[9]。相比傳統神經網絡算法，ELM的泛化性能更好，能夠快速解決復雜的非線性分類及回歸問題。

令樣本集合為{x } i，ti| xi ∈ Rn，ti ∈ Rm，i = 1，2，...，N ，xi、ti 分別表示輸入數據和輸出數據，假設ELM網絡中隱含層節點為l，隱含層輸出函數為h（x），則隱含層中第i個節點的輸出值為：

hi （x） = G （ai，bi，xi ），ai ∈ Rn，bi ∈ R （7）

式中：G （ai，bi，xi ）為激勵函數；該函數符合通用逼近定理；ai、bi 分別為輸入權重和偏置值，二者都是隨機產生的。

ELM函數的表達式為：

式中：β 為輸出權重矩陣；βi 為輸出權重矩陣中的元素。

為了減小ELM的訓練誤差，利用平方誤差對輸出權重進行求解，則有：

式中：T 為目標矩陣；β ～ 為最優權重；H 為隱含層輸出矩陣。

進而可以得到：

β ～= H+T （10）

式中：H+為矩陣H 的Moore-Penrose矩陣。

2 基于DOA-ELM 的移動通信網絡故障診斷

2.1 確定特征向量集

本文對通信網絡兩個節點之間的連接故障作為研究對象，其連接故障的故障種類可以分為物理性故障、管理性關閉、節點負荷過大和連接電纜故障等四種，結合現場運行經驗和查閱文獻資料，確定了移動通信網絡故障診斷的12個特征量，具體如表1所示。

2.2 構建DOA-ELM 模型

ELM具有良好的非線性分類效果，本文采用ELM 對通信網絡故障進行分類診斷。由于ELM分類精度受輸出權重影響較大，因此本文利用DOA 算法對ELM的輸出權重進行優化，構建基于DOA-ELM的移動通信網絡故障診斷模型，主要步驟如下：

1） 收集特征量集和四種故障類型的樣本數據，進行歸一化處理后，劃分為訓練集和測試集；

2） 將ELM初始化，利用訓練集對ELM進行訓練，確定ELM的網絡結構；

3） 初始化澳洲野犬種群，設置DOA算法參數，包括算法最大迭代次數、澳洲野犬數量等；

4） 將輸出權值作為DOA算法的尋優目標，根據ELM輸出結果的正確率計算澳洲野犬適應度值，保存個體最優位置；

5） 利用澳洲野犬的四種自然行為更新種群位置，計算位置更新后的野犬適應度值；

6） 通過優劣比較更新當前最優位置并保存；

7） 判斷ELM輸出結果的誤差是否滿足要求，或算法迭代是否達到最大迭代次數，若是，則輸出最優輸出權值；

8） 利用DOA-ELM模型對移動通信網絡故障進行診斷。

3 算例分析

根據前文所述建模步驟，搜集400組移動通信網絡故障數據進行仿真分析，其中物理性故障、管理性關閉、節點負荷過大和連接電纜故障各100組。為了方便計算分析，對樣本數據進行劃分同時對移動通信網絡故障進行編碼，具體如表2所示。

利用訓練集樣本數據對ELM網絡進行訓練，通過網絡訓練確定ELM的網絡結構為12-13-4，在此基礎上構建了DOA-ELM模型。利用DOA-ELM模型對測試集中的樣本數據進行故障診斷，診斷結果見圖1。為了驗證DOA-ELM模型在移動通信網絡故障診斷方面的優越性，采用DOA-BP 模型、ELM 模型和PSOSVM模型與DOA-ELM模型的診斷結果進行對比分析。圖2～圖4分別給出了DOA-BP模型、ELM模型和PSO-SVM模型的診斷結果。從圖1～圖4可以看出，DOA-ELM模型僅在對節點負荷過大故障診斷時出現了2次錯誤；DOA-BP模型在對四種不同故障診斷時均出現了1次錯誤，總計4次；ELM模型在對四種不同故障診斷時均出現了錯誤，且在對管理性關閉故障和節點負荷過大故障診斷時各出現了2次錯誤，總計6次；PSO-SVM模型在對四種不同故障診斷時也都出現了錯誤，其中在對管理性關閉故障診斷時出現了1 次錯誤，總計5 次。四種模型的診斷精度分別為97.5%、95%、92.5%和93.75%，DOA-ELM模型的診斷精度更高，這是由于DOA算法獲取的ELM參數更優，從而使該模型的輸出結果正確率更高。

為了進一步驗證DOA-ELM模型輸出結果的穩定性，利用上述4種模型分別進行20次移動通信網絡故障診斷測試，圖5給出了20次診斷測試結果的正確率。由圖5可知，DOA-ELM模型、DOA-BP模型、ELM模型和PSO-SVM 模型的區間分布范圍依次為[96.25%，100%]、[90%， 97.5%]、[90%， 95%]和[88.75%， 98.75%]，表明DOA-ELM模型輸出結果的波動范圍更小。

表3給出了四種模型在20次移動通信網絡故障診斷測試中的平均診斷精度。從表3 可以看出，DOA-ELM 模型、DOA-BP 模型、ELM 模型和PSOSVM模型的平均診斷精度依次為97.81%、94.63%、92.25%和91.94%。實驗結果表明，DOA-ELM模型在進行移動通信網絡故障診斷過程中具有更高的平均診斷精度和更好的模型穩定性。

4 結論

本文將ELM輸出權值作為DOA算法的搜索目標，利用DOA算法確定了ELM的最優輸出權值，在此基礎上構建了基于DOA-ELM的移動通信網絡故障診斷模型。仿真測試和對比分析結果表明，DOA-ELM模型、DOA-BP模型、ELM模型和PSO-SVM模型的平均診斷精度依次為97.81%、94.63%、92.25%和91.94%。相比三種對比模型，DOA-ELM模型具有更高的診斷精度和更好的穩定性，驗證了DOA-ELM模型在移動通信網絡故障診斷方面的有效性，為移動通信網絡故障診斷提供了新思路。由于DOA算法采用隨機初始化方式進行種群初始化，這種方式會對其尋優精度產生一定影響，未來將對DOA算法的改進策略進行研究，以進一步完善移動通信網絡故障診斷模型。

參考文獻：

[1] 張婷，齊小剛.移動通信網絡的中性集故障診斷方法研究[J]. 智能系統學報，2020，15（5）：864-869.

[2] 姚仲敏，沈玉會.基于GA-BP的移動通信設備故障診斷[J]. 計算機測量與控制，2015，23（10）：3294-3296，3300.

[3] 劉春茂.基于GA-CLARANS數據挖掘技術的移動通信網絡故障檢測專家系統[J].信息與電腦（理論版），2014，26（1）：158-159.

[4] 常瑞莉.一種基于BP神經網絡的移動通信網絡故障檢測方法[J].自動化技術與應用，2023，42（6）：123-126.

[5] 張佩佩.基于大數據挖掘的移動通信網絡故障診斷方法研究[D].南京：南京郵電大學，2022.

[6] 唐建華，謝志軍.基于神經網絡的TD-LTE移動通信網絡故障診斷系統的設計與實現[J].移動通信，2014，38（10）：67-73.

[7] 商立群，黃辰浩，侯亞東，等.采用特征優選和優化深層核極限學習機的短期風電功率預測[J].西安交通大學學報，2023，57（1）：66-77.

[8] 徐文靜.基于改進極限學習機的通風扇故障診斷[J].中國新技術新產品，2023（19）：63-65.

[9] 張耀，姚瑤，陳卓，等.基于粒子群差分進化極限學習機的電力系統故障診斷模型[J].機械與電子，2024，42（3）：60-64，70.

【通聯編輯：謝媛媛】