基于DOA-ELM 的移动通信网络故障诊断模型

摘要：为实现移动通信网络故障的精准识别，文章提出一种基于澳洲野犬算法（Dingo Optimization Algorithm，DOA） 优化极限学习机（Extreme Learning Machine，ELM） 的故障诊断模型（DOA-ELM） 。以12个网络故障特征量为输入、4种连接故障为输出，采用DOA算法优化ELM的输出权值，构建了网络结构为12-13-4的DOA-ELM模型。实验结果表明，DOA-ELM模型的平均诊断精度达到97.81%，相较于其他三种模型，该模型具有更高的诊断精度和模型稳定性，验证了其有效性。

关键词：移动通信网络；故障诊断；澳洲野犬优化算法；极限学习机；诊断精度

中图分类号：TP393 文献标识码：A

文章编号：1009-3044（2024）32-0074-03 开放科学（资源服务）标识码（OSID） ：

移动通信网络的快速发展给人们的生活带来了极大便利，人们的生产生活越来越离不开移动通信网络[1]。与传统通信网络相比，移动通信网络分布范围更广、维护难度更大[2]。因此，快速准确定位故障并及时采取处置措施，对提升用户体验、提高服务质量至关重要[3]，这也使得对移动通信网络故障诊断方法的研究尤为必要。

为快速识别移动通信网络故障，相关研究者对其诊断方法进行了大量研究。常瑞莉针对目前移动通信故障诊断精度不高的问题，设计了一种基于BP神经网络的移动通信网络故障诊断方法，利用该方法实现了移动通信的快速准确诊断[4]。张佩佩等人在前人研究的基础上，创新性地将深度Q学习网络应用于移动通信故障诊断，不仅对移动通信网络故障诊断模型进行了设计，还开发了一套应用于移动通信网络的故障检测系统[5]。唐建华等人利用神经网络构建了4G 移动网络通信故障诊断模型，利用该模型解决移动通信网络故障诊断问题时获得了较理想的诊断效果，不仅提高了诊断效率，也降低了网络运维成本。现有移动通信网络诊断方法普遍存在诊断精度不足和稳定性较差等问题，满足实际应用需求的故障诊断方法有待进一步研究[6]。

1 算法介绍

1.1 DOA 算法原理

DOA算法是根据澳洲野犬的四种自然行为提出的一种群体智能寻优算法[7]。这四种自然行为主要包括群体狩猎、追捕、食腐、生存，通过四种行为不断改变自身位置，最终获得猎物。群体狩猎行为、追捕行为和食腐行为之间是互斥的，即在同一时间，野犬只能执行其中的一种行为；而生存行为是在前三种行为的基础上通过判断条件执行的一种跳跃行为，便于算法在陷入局部最优时能够及时跳出。在上述四种不同行为的引导下，算法在搜索空间中获得最优解的成功率更高，相比其他寻优算法，DOA算法具有更好的适用性，能够快速向全局最优解收敛。

澳洲野犬种群通过随机初始化获得初始位置，初始位置的定义如下：

Xi = ui + r1（d ） i - ui （1）

式中：Xi 为第i 只澳洲野犬的初始位置；di 为寻优空间的上边界； ui 为寻优空间的下边界；r1 随机数，其值在[0，1]范围内。

行为1：群体狩猎行为

澳洲野犬在寻优空间内发现猎物后，会通知其他个体包围猎物，并以猎物为中心进行分工狩猎，该行为可建模为：

式中：t 为当前迭代次数；xi （t + 1）为澳洲野犬i 移动后的新位置；n 为[2，S/2]范围内的随机整数，其中S为澳洲野犬数量；φk （t）为澳洲野犬种群的子集，且满足φ ⊂ X，其中X 为随机产生的澳洲野犬种群；xi （t）为澳洲野犬i 的当前位置；xθ （t） 为当前野犬种群的最佳位置；β1为[-2，2]范围内的随机数。

行为2：追捕行为

该行为主要针对小型猎物，对于寻优空间内的小型猎物，澳洲野犬采用追捕行为进行攻击，其数学模型为：

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

式中：β2 为[-1，1]之间的随机数；r1 为[1，xmax]范围内的随机整数，其中xmax为随机数；xr1 （t）为随机挑选的第r1只澳洲野犬的位置，其中r1 ≠ i。

行为3：食腐行为

为了不遭受饥饿，澳洲野犬也会在寻优范围内寻找腐肉以补充体能，食腐行为的数学模型为：

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

式中： σ为随机生成的二进制数，σ ∈ {0，1}。

策略4：生存行为

非法捕猎是造成澳洲野犬数量减少的主要原因，因此DOA算法需要考虑澳洲野犬的存活率，其计算公式为：

pi = fmax - fi／fmax - fmin （5）

式中：pi 为澳洲野犬i 的存活率；fi 为澳洲野犬i 的适应度值；fmax、fmin 为澳洲野犬种群的最佳适应度值和最差适应度值。

当野狗存活率低于0.3时，需要执行生存行为，生存行为的数学模型为：

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

式中：r2 为[1，xmax]之间的随机整数，且r2 ≠ r1；xr2 （t）为澳洲野犬r2的位置。

在上述4种自然行为中，澳洲野犬种群执行哪种行为取决于两个参数P 和Q，算法每迭代一次，均会生成两个随机数，通过参数比较确定澳洲野犬的行为，通过不断更新位置和优劣比较，最终获得最优野犬位置，即为猎物位置。

1.2 ELM 基本原理

ELM是根据广义前馈神经网络改进得到的[8]，相比广义前馈神经网络，ELM的结构和训练方法更简单，在训练过程中，ELM的输入权重和偏置值是随机产生的，训练效果只取决于输出权重[9]。相比传统神经网络算法，ELM的泛化性能更好，能够快速解决复杂的非线性分类及回归问题。

令样本集合为{x } i，ti| xi ∈ Rn，ti ∈ Rm，i = 1，2，...，N ，xi、ti 分别表示输入数据和输出数据，假设ELM网络中隐含层节点为l，隐含层输出函数为h（x），则隐含层中第i个节点的输出值为：

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

式中：G （ai，bi，xi ）为激励函数；该函数符合通用逼近定理；ai、bi 分别为输入权重和偏置值，二者都是随机产生的。

ELM函数的表达式为：

式中：β 为输出权重矩阵；βi 为输出权重矩阵中的元素。

为了减小ELM的训练误差，利用平方误差对输出权重进行求解，则有：

式中：T 为目标矩阵；β ～ 为最优权重；H 为隐含层输出矩阵。

进而可以得到：

β ～= H+T （10）

式中：H+为矩阵H 的Moore-Penrose矩阵。

2 基于DOA-ELM 的移动通信网络故障诊断

2.1 确定特征向量集

本文对通信网络两个节点之间的连接故障作为研究对象，其连接故障的故障种类可以分为物理性故障、管理性关闭、节点负荷过大和连接电缆故障等四种，结合现场运行经验和查阅文献资料，确定了移动通信网络故障诊断的12个特征量，具体如表1所示。

2.2 构建DOA-ELM 模型

ELM具有良好的非线性分类效果，本文采用ELM 对通信网络故障进行分类诊断。由于ELM分类精度受输出权重影响较大，因此本文利用DOA 算法对ELM的输出权重进行优化，构建基于DOA-ELM的移动通信网络故障诊断模型，主要步骤如下：

1） 收集特征量集和四种故障类型的样本数据，进行归一化处理后，划分为训练集和测试集；

2） 将ELM初始化，利用训练集对ELM进行训练，确定ELM的网络结构；

3） 初始化澳洲野犬种群，设置DOA算法参数，包括算法最大迭代次数、澳洲野犬数量等；

4） 将输出权值作为DOA算法的寻优目标，根据ELM输出结果的正确率计算澳洲野犬适应度值，保存个体最优位置；

5） 利用澳洲野犬的四种自然行为更新种群位置，计算位置更新后的野犬适应度值；

6） 通过优劣比较更新当前最优位置并保存；

7） 判断ELM输出结果的误差是否满足要求，或算法迭代是否达到最大迭代次数，若是，则输出最优输出权值；

8） 利用DOA-ELM模型对移动通信网络故障进行诊断。

3 算例分析

根据前文所述建模步骤，搜集400组移动通信网络故障数据进行仿真分析，其中物理性故障、管理性关闭、节点负荷过大和连接电缆故障各100组。为了方便计算分析，对样本数据进行划分同时对移动通信网络故障进行编码，具体如表2所示。

利用训练集样本数据对ELM网络进行训练，通过网络训练确定ELM的网络结构为12-13-4，在此基础上构建了DOA-ELM模型。利用DOA-ELM模型对测试集中的样本数据进行故障诊断，诊断结果见图1。为了验证DOA-ELM模型在移动通信网络故障诊断方面的优越性，采用DOA-BP 模型、ELM 模型和PSOSVM模型与DOA-ELM模型的诊断结果进行对比分析。图2～图4分别给出了DOA-BP模型、ELM模型和PSO-SVM模型的诊断结果。从图1～图4可以看出，DOA-ELM模型仅在对节点负荷过大故障诊断时出现了2次错误；DOA-BP模型在对四种不同故障诊断时均出现了1次错误，总计4次；ELM模型在对四种不同故障诊断时均出现了错误，且在对管理性关闭故障和节点负荷过大故障诊断时各出现了2次错误，总计6次；PSO-SVM模型在对四种不同故障诊断时也都出现了错误，其中在对管理性关闭故障诊断时出现了1 次错误，总计5 次。四种模型的诊断精度分别为97.5%、95%、92.5%和93.75%，DOA-ELM模型的诊断精度更高，这是由于DOA算法获取的ELM参数更优，从而使该模型的输出结果正确率更高。

为了进一步验证DOA-ELM模型输出结果的稳定性，利用上述4种模型分别进行20次移动通信网络故障诊断测试，图5给出了20次诊断测试结果的正确率。由图5可知，DOA-ELM模型、DOA-BP模型、ELM模型和PSO-SVM 模型的区间分布范围依次为[96.25%，100%]、[90%， 97.5%]、[90%， 95%]和[88.75%， 98.75%]，表明DOA-ELM模型输出结果的波动范围更小。

表3给出了四种模型在20次移动通信网络故障诊断测试中的平均诊断精度。从表3 可以看出，DOA-ELM 模型、DOA-BP 模型、ELM 模型和PSOSVM模型的平均诊断精度依次为97.81%、94.63%、92.25%和91.94%。实验结果表明，DOA-ELM模型在进行移动通信网络故障诊断过程中具有更高的平均诊断精度和更好的模型稳定性。

4 结论

本文将ELM输出权值作为DOA算法的搜索目标，利用DOA算法确定了ELM的最优输出权值，在此基础上构建了基于DOA-ELM的移动通信网络故障诊断模型。仿真测试和对比分析结果表明，DOA-ELM模型、DOA-BP模型、ELM模型和PSO-SVM模型的平均诊断精度依次为97.81%、94.63%、92.25%和91.94%。相比三种对比模型，DOA-ELM模型具有更高的诊断精度和更好的稳定性，验证了DOA-ELM模型在移动通信网络故障诊断方面的有效性，为移动通信网络故障诊断提供了新思路。由于DOA算法采用随机初始化方式进行种群初始化，这种方式会对其寻优精度产生一定影响，未来将对DOA算法的改进策略进行研究，以进一步完善移动通信网络故障诊断模型。

参考文献：

[1] 张婷，齐小刚.移动通信网络的中性集故障诊断方法研究[J]. 智能系统学报，2020，15（5）：864-869.

[2] 姚仲敏，沈玉会.基于GA-BP的移动通信设备故障诊断[J]. 计算机测量与控制，2015，23（10）：3294-3296，3300.

[3] 刘春茂.基于GA-CLARANS数据挖掘技术的移动通信网络故障检测专家系统[J].信息与电脑（理论版），2014，26（1）：158-159.

[4] 常瑞莉.一种基于BP神经网络的移动通信网络故障检测方法[J].自动化技术与应用，2023，42（6）：123-126.

[5] 张佩佩.基于大数据挖掘的移动通信网络故障诊断方法研究[D].南京：南京邮电大学，2022.

[6] 唐建华，谢志军.基于神经网络的TD-LTE移动通信网络故障诊断系统的设计与实现[J].移动通信，2014，38（10）：67-73.

[7] 商立群，黄辰浩，侯亚东，等.采用特征优选和优化深层核极限学习机的短期风电功率预测[J].西安交通大学学报，2023，57（1）：66-77.

[8] 徐文静.基于改进极限学习机的通风扇故障诊断[J].中国新技术新产品，2023（19）：63-65.

[9] 张耀，姚瑶，陈卓，等.基于粒子群差分进化极限学习机的电力系统故障诊断模型[J].机械与电子，2024，42（3）：60-64，70.

【通联编辑：谢媛媛】