一种网络故障诊断方法与流程

技术特征：

1.一种网络故障诊断方法，其特征在于：所述网络故障诊断方法包括：

(1)从网络历史数据库中获取历史数据，所述历史数据包括症状变量集和故障类变量集；

(2)构建加权平均依赖分类器预测模型；

(3)所述加权平均依赖分类器预测模型通过所述历史数据自动学习到分类器参数，形成已训练完成的加权平均依赖分类器；

(4)进行故障诊断时，将测试数据输入所述已训练完成的加权平均-依赖分类器，得到对应的故障诊断结果。

2.根据权利要求1所述的网络故障诊断方法，其特征在于：所述步骤(2)中的加权平均一依赖分类器预测模型如下：

其中，t为测试数据，Y为故障类变量集，y为故障类变量的值，p(y,x_i)为对应的故障类变量y和症状变量x_i的联合概率，i＝1,2,…,m，m为症状变量个数且F(x_i)≥g,F(x_i)表示x_i在训练数据中的频数；另外，p(x_j|y,x_i)为症状变量x_j和症状变量x_i与故障变量y的条件概率，j＝1,2,…,m，w_ij为症状变量x_i和症状变量x_j的权重。

3.根据权利要求2所述的网络故障诊断方法，其特征在于：所述g的取值为30。

4.根据权利要求3所述的网络故障诊断方法，其特征在于：所述症状变量x_i和症状变量x_j的权重w_ij如下：

$w_{ij}=\frac{\underset{i,j,y}{\Σ}p(x_i,x_j,y)\log \frac{p(x_i,x_j|y)}{p\left(x_i\right|y)p\left(x_j\right|y)}}{\underset{i=1}{\overset{m}{\Σ}}\underset{j=2,j\>i}{\overset{m}{\Σ}}\underset{i,j,y}{\Σ}p(x_i,x_j|y)\log \frac{p(x_i,x_j|y)}{p\left(x_i\right|y)p\left(x_j\right|y)}}m$

其中，p(x_i，x_j，y)为x_i和x_j及y的联合概率，p(x_i|y)和p(x_j|y)分别为x_i和x_j的条件概率，i＝1,2,…,m而j＝2,3,…,m且j≥i。

5.根据权利要求4所述的网络故障诊断方法，其特征在于：在步骤(3)中，所述的分类器参数包括症状变量联合概率p(x_i,x_j,y),p(x_i,y)以及故障变量概率p(y)，具体为：

$p\left(y\right)=\frac{F\left(y\right)+1}{n+c\left(Y\right)}$

$p(x_i,y)=\frac{F(x_i,y)+1}{n_i+c(attri\_i)\×c\left(Y\right)}$

$p(x_i,x_j,y)=\frac{F(x_i,x_j,y)+1}{n_{ij}+c(attri\_i)\×c(attri\_j)\×c\left(Y\right)}$

其中n为在给定y值的情况下训练样例个数，n_i为第i个症状变量的值和故障类值确定的情况下训练样例的个数，n_ij为第i,j个症状变量的值和故障类值确定的情况下训练样例的个数，并且c(·)为·的基值，F(·)为·的频数。

6.根据权利要求5所述的网络故障诊断方法，其特征在于：所述步骤(4)中的所述测试数据包括症状变量集所声明的属性值。