一种改进CBR的电力通信现场运维辅助诊断方法与流程

本发明涉及电力通信技术领域，具体涉及一种一种改进cbr的电力通信现场运维辅助诊断方法。

背景技术：

近年来，随着特高压电网及跨区域电网的全面建设，电力通信网络的规模得到快速增长，网络拓扑结构日益复杂，对通信网络的可靠性及安全性要求不断增加，给电力通信日常的运维管理带来很大压力。通信现场的运维作为整个运行维护体系架构的最底层级，主要负责基础设施和网络设备的现场值守、维护和巡检,并要接受上层调控人员的指令实施现场相关的故障修复、资源调配等工作。因此，通信现场的运维是整个通信网络运维工作的重要组成部分，其工作的安全、质量和效率将直接关系到电力通信运维工作的成效。当前，现场处理多依赖个人经验和本地信息，这些积累的专家经验很难被共享，无法实现同质化的现场运维，使得现场运维质量参次不齐。

针对电力通信现场运维的管理需要，在对基于案例推理(cbr)技术研究的基础上，有必要提出一种新的运维辅助诊断方法，实现现场问题诊断的自学习和自成长，有效避免了传统cbr算法存在的相似匹配度不高、收敛速度慢等问题。

技术实现要素：

本发明要解决的问题是提供一种相似匹配度高、收敛速度快的改进cbr的电力通信现场运维辅助诊断方法。

为解决上述技术问题，本发明采用的方案是：该改进cbr的电力通信现场运维辅助诊断方法，包括以下步骤：

(1)输入在电力通信现场运维过程中遇到的问题，并发出检索请求；

(2)客户端接受到所述检索请求指令，提取该问题中的特征条件；

(3)在案例库中进行检索，并从案例库中检索与所述步骤(1)中问题相似的案例，若是检索结果不理想，则继续进行下一步；

(4)将所述步骤(3)中得到的所有案例作为候选案例集，再基于bp神经网络进行cbr检索，并从数据库中调取检索数据；

(5)得到检索结果进行评估，最终确定结果。

上述技术方案是在对基于案例推理(cbr)技术研究的基础上，提出了利用bp神经网络改进cbr检索效率的优化方法，cbr作为人工智能中一种基于知识的问题求解和学习方法，起源于1977年schank和abelson所做的研究以及他们对脚本的研究中衍生而来的，并在此基础上提出了cbr的认知模型。它成为后续cbr技术研究与应用的基础。一个典型的cbr推理求解过程通常分为案例检索(retrieval)、案例重用(reuse)、解决方案修正(revise)和案例保存(retain)四个阶段；bp(backpropagation)神经网络是1986年由rumelhart和mcclelland为首的科学家提出的概念，是一种按照误差逆向传播算法训练的多层前馈神经网络，其主要特点是信号前向传递，而误差后向传播，通过不断调节网络权重值，使得网络的最终输出与期望输出尽可能接近，以达到训练的目的；针对电力通信现场运维的管理需要出发，在对基于案例推理(cbr)技术研究的基础上，提出了利用bp神经网络改进cbr检索效率的优化方法，本发明改进后的cbr检索算法在查全率和查准率方面均有较大的优势，具有很强的实用性；利用bp神经网络的cbr检索只与输入及神经网络自身的参数相关，这些参数通过训练可以得到，是一种自适应的检索过程，同时，由于具有很强的非线性映射能力和柔性的网络结构，与传统的cbr检索相比，基于bp神经网络的cbr检索具有较大的优势。

优选的，在所述步骤(4)中，所述bp神经网络的网络结构由输入层，隐含层，输出层组成；

其中，输入层：各神经元负责接收来自外界的输入信息，并传递给中间层各神经元；

隐藏层：是内部信息处理层，负责信息变换，最后一个隐层传递到输出层各神经元的信息，经进一步处理后，完成一次学习的正向传播处理过程；

输出层：向外界输出信息处理结果。

其中，隐藏层根据信息变化能力的需求，可设计为单隐层或者多隐层结构，最后一个隐层传递到输出层各神经元的信息，经进一步处理后，完成一次学习的正向传播处理过程。

优选的，在所述bp神经网络的网络结构中，在输入层有n个神经元，隐含层有p个神经元，输出层有q个神经元，则其bp算法实现包括以下几步：

s1定义变量：设定输入向量为x＝(x1,x2,…,xn)，隐含层输入向量为hi＝(hi1,hi2,…,hip)，隐含层输出向量为ho＝(ho1,ho2,…,hop)，输出层输入向量为yi＝(yi1,yi2,…,yiq)，输出层输出向量为yo＝(yo1,yo2,…,yoq)，期望输出向量为d0＝(d1,d2,…,dq)，输入层与中间层的连接权值为wih，隐含层与输出层的连接权值为who，隐含层各神经元的阀值为bh，输出层各神经元的阀值为bo；采集的样本k＝1,2,…,m，激活取出来函数为f(·)，误差函数为

s2bp神经网络初始化：对每个连接权值赋值一个区间在(-1,1)之间的随机数，设误差函数为e，给定计算精度值为ε和最大学习次数为m；

s3随机选取第k个输入样本及对应期望输出：

x(k)＝(x1(k),x2(k),…,xn(k))(1)；

s4计算隐含层各神经元的输入和输出：

hoh(k)＝f(hih(k))(3)

yoo(k)＝f(yio(k))(5)

其中，h＝1,2,…,p，o＝1,2,…,q；

s5利用网络期望输出和实际输出，计算误差函数对输出层的各神经元的偏导数：

根据式(5)-(7)，得到偏导数δo(k)；

s6利用隐含层到输出层的连接权值、输出层的δo(k)和隐含层的输出计算误差函数对隐含层各神经元的偏导数δh(k)：

s7利用输出层各神经元的60(k)和隐含层各神经元的输出来修正连接权值who(k)：

s8利用隐含层各神经元的δh(k)和输入层各神经元的输入修正连接权：

s9计算全局误差：

s10判断bp网络误差是否满足要求：当网络输出的误差达到预设精度或达到预先设定的学习次数后，则结束神经网络学习训练；否则，选取下一个学习样本及对应的期望输出，返回到第三步，进入下一轮学习训练。

优选的，在所述步骤(4)中，bp算法包括信号的前向传播和误差的反向传播两个过程，即计算误差输出时按从输入到输出的方向进行，而调整权值和阈值则从输出到输入的方向进行。

前向传播时，输入信号通过隐含层作用于输出节点，经过非线性变换，产生输出信号，若实际输出与期望输出不相符，则转入误差的反向传播过程。误差反传是将输出误差通过隐含层向输入层逐层反传，并将误差分摊给各层所有单元，以从各层获得的误差信号作为调整各单元权值的依据。通过调整输入节点与隐层节点的联接强度和隐层节点与输出节点的联接强度以及阈值，使误差沿梯度方向下降，经过反复学习训练，确定与最小误差相对应的网络参数(权值和阈值)，训练即告停止。此时经过训练的神经网络即能对类似样本的输入信息，自行处理输出误差最小的经过非线形转换的信息。

附图说明

下面结合附图和本发明的实施方式进一步详细说明：

图1是现有的cbr工作过程流程图；

图2是bp神经网络基本结构示意图；

图3是本发明基于bp神经网络的cbr检索改进的流程图。

具体实施方式

如图3所示，本发明的改进cbr的电力通信现场运维辅助诊断方法包括以下步骤：

(1)输入在电力通信现场运维过程中遇到的问题，并发出检索请求；

(2)客户端接受到所述检索请求指令，提取该问题中的特征条件；

(3)在案例库中进行检索，并从案例库中检索与所述步骤(1)中问题相似的案例，若是检索结果不理想，则继续进行下一步；

(4)将所述步骤(3)中得到的所有案例作为候选案例集，再基于bp神经网络进行cbr检索，并从数据库中调取检索数据；其中传统的cbr工作过程流程图如图1所示；

(5)得到检索结果进行评估，最终确定结果。

在所述步骤(4)中，所述bp神经网络的网络结构由输入层，隐含层，输出层组成，bp神经网络基本结构如图2所示；

其中，输入层：各神经元负责接收来自外界的输入信息，并传递给中间层各神经元；

隐藏层：是内部信息处理层，负责信息变换，最后一个隐层传递到输出层各神经元的信息，经进一步处理后，完成一次学习的正向传播处理过程；

输出层：向外界输出信息处理结果。

在所述bp神经网络的网络结构中，在输入层有n个神经元，隐含层有p个神经元，输出层有q个神经元，则其bp算法实现包括以下几步：

s1定义变量：设定输入向量为x＝(x1,x2,…,xn)，隐含层输入向量为hi＝(hi1,hi2,…,hip)，隐含层输出向量为ho＝(ho1,ho2,…,hop)，输出层输入向量为yi＝(yi1,yi2,…,yiq)，输出层输出向量为yo＝(yo1,yo2,…,yoq)，期望输出向量为d0＝(d1,d2,…,dq)，输入层与中间层的连接权值为wih，隐含层与输出层的连接权值为who，隐含层各神经元的阀值为bh，输出层各神经元的阀值为bo；采集的样本k＝1,2,…,m，激活取出来函数为f(·)，误差函数为

s2bp神经网络初始化：对每个连接权值赋值一个区间在(-1,1)之间的随机数，设误差函数为e，给定计算精度值为ε和最大学习次数为m；

s3随机选取第k个输入样本及对应期望输出：

x(k)＝(x1(k),x2(k),…,xn(k))(1)；

s4计算隐含层各神经元的输入和输出：

hoh(k)＝f(hih(k))(3)

yoo(k)＝f(yio(k))(5)

其中，h＝1,2,…,p，o＝1,2,…,q；

s5利用网络期望输出和实际输出，计算误差函数对输出层的各神经元的偏导数：

根据式(5)-(7)，得到偏导数δo(k)；

s6利用隐含层到输出层的连接权值、输出层的δo(k)和隐含层的输出计算误差函数对隐含层各神经元的偏导数δh(k)：

s7利用输出层各神经元的60(k)和隐含层各神经元的输出来修正连接权值who(k)：

s8利用隐含层各神经元的δh(k)和输入层各神经元的输入修正连接权：

s9计算全局误差：

s10判断bp网络误差是否满足要求：当网络输出的误差达到预设精度或达到预先设定的学习次数后，则结束神经网络学习训练；否则，选取下一个学习样本及对应的期望输出，返回到第三步，进入下一轮学习训练。

在所述步骤(4)中，bp算法包括信号的前向传播和误差的反向传播两个过程，即计算误差输出时按从输入到输出的方向进行，而调整权值和阈值则从输出到输入的方向进行。

本实施例的改进cbr的电力通信现场运维辅助诊断方法针对电力通信现场运维的管理需要出发，在对基于案例推理(cbr)技术研究的基础上，提出了利用bp神经网络改进cbr检索效率的优化方法，改进后的cbr检索算法在查全率和查准率方面均有较大的优势，具有很强的实用性。

以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限制本发明；凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。