本技術(shù)涉及通信，具體涉及一種基于神經(jīng)網(wǎng)絡(luò)的基站故障診斷方法及裝置。

背景技術(shù)：

1、在現(xiàn)代通信時代，確保無線通信服務(wù)的連續(xù)性和高質(zhì)量至關(guān)重要，運營基站的穩(wěn)定性和效率在其中扮演著至關(guān)重要的角色。隨著5g及其后續(xù)技術(shù)的不斷發(fā)展，對基站性能的要求也在不斷提高。然而，這些基站可能會出現(xiàn)故障，可能是由硬件故障、軟件問題或外部干擾等多種原因引發(fā)的。故障的發(fā)生不僅可能影響單個用戶，還可能波及整個網(wǎng)絡(luò)的服務(wù)質(zhì)量，進(jìn)而導(dǎo)致用戶流失、收入減少和品牌聲譽(yù)受損。

2、為了應(yīng)對這些挑戰(zhàn)，通信行業(yè)迫切需要一種能夠迅速、準(zhǔn)確地診斷基站故障的方法。傳統(tǒng)的故障診斷方法往往基于規(guī)則或啟發(fā)式方法，這些方法可能在某些簡單情況下有效，但對于復(fù)雜的、未知的或新型的故障，它們可能表現(xiàn)得不夠好。此外，隨著數(shù)據(jù)量的增長和網(wǎng)絡(luò)復(fù)雜性的增加，傳統(tǒng)方法的局限性變得越來越明顯。

3、因此，如何更好的進(jìn)行基站故障診斷，已經(jīng)成為業(yè)界亟待解決的額問題。

技術(shù)實現(xiàn)思路

1、本技術(shù)實施例提供一種基于神經(jīng)網(wǎng)絡(luò)的基站故障診斷方法及裝置，用以解決如何更好的進(jìn)行基站故障診斷的技術(shù)問題。

2、第一方面，本技術(shù)實施例提供一種基于神經(jīng)網(wǎng)絡(luò)的基站故障診斷方法，包括：

3、獲取運營基站數(shù)據(jù)，所述運營基站數(shù)據(jù)包括：基站間接數(shù)據(jù)和基站歷史故障數(shù)據(jù)；

4、將所述運營基站數(shù)據(jù)輸入訓(xùn)練好的特征提取神經(jīng)網(wǎng)絡(luò)，輸出所述運營基站數(shù)據(jù)的高維表示；

5、將所述運營基站數(shù)據(jù)的高維表示輸入訓(xùn)練好的運營基站故障診斷分類器，輸出所述運營基站的故障診斷結(jié)果。

6、在一個實施例中，在將所述運營基站數(shù)據(jù)輸入訓(xùn)練好的特征提取神經(jīng)網(wǎng)絡(luò)，輸出所述運營基站數(shù)據(jù)的高維表示的步驟之前，所述方法還包括：

7、獲取多個攜帶有故障診斷標(biāo)簽的初始運行基站樣本數(shù)據(jù)，并對所述初始運行基站樣本數(shù)據(jù)進(jìn)行數(shù)據(jù)預(yù)處理；

8、通過基于異步量子編碼的生成對抗網(wǎng)絡(luò)對預(yù)處理后的所述初始運行基站樣本數(shù)據(jù)進(jìn)行數(shù)據(jù)擴(kuò)充，得到多個運行基站樣本數(shù)據(jù)。

9、在一個實施例中，所述基于異步量子編碼的生成對抗網(wǎng)絡(luò)的訓(xùn)練過程，包括：

10、在對預(yù)設(shè)生成對抗網(wǎng)絡(luò)中的生成器和判別器進(jìn)行初始化處理后，根據(jù)預(yù)設(shè)調(diào)度算法分別確定所述生成器的第一訓(xùn)練節(jié)奏和所述判別器的第二訓(xùn)練節(jié)奏；

11、所述生成器根據(jù)所述第一訓(xùn)練節(jié)奏，通過對量子狀態(tài)進(jìn)行測量，生成多個生成數(shù)據(jù)，所述判別器根據(jù)所述第二訓(xùn)練節(jié)奏對所述生成數(shù)據(jù)進(jìn)行數(shù)據(jù)質(zhì)量評估；

12、根據(jù)所述判別器的數(shù)據(jù)質(zhì)量評估進(jìn)行誤差計算，根據(jù)誤差更新所述生成器和所述判別器的參數(shù)，并根據(jù)所述數(shù)據(jù)質(zhì)量評估，調(diào)整所述生成器的量子態(tài)，以減少誤差；

13、在滿足第一預(yù)設(shè)訓(xùn)練條件的情況下，停止訓(xùn)練，得到基于異步量子編碼的生成對抗網(wǎng)絡(luò)。

14、在一個實施例中，所述特征提取神經(jīng)網(wǎng)絡(luò)包括：輸入層、第一隱藏層、第二隱藏層和第三隱藏層。

15、在一個實施例中，所述訓(xùn)練好的特征提取神經(jīng)網(wǎng)絡(luò)的訓(xùn)練方法，包括：

16、將所述運行基站樣本數(shù)據(jù)映射到量子比特后，得到各個所述運行基站樣本數(shù)據(jù)初始化的量子態(tài)，并設(shè)置初始震蕩頻率；

17、在每一輪迭代過程中，為每一個量子態(tài)引入一個新的隨機(jī)偏移，以獲取新的參數(shù)值，并根據(jù)量子凝聚適應(yīng)度函數(shù)計算所述新的參數(shù)值對應(yīng)的適應(yīng)度值；

18、根據(jù)所述適應(yīng)度值的變化，動態(tài)調(diào)整每個所述參數(shù)值的震蕩頻率，以調(diào)整探索速度；

19、對于任意兩個量子態(tài)進(jìn)行撞擊，產(chǎn)生新的量子態(tài)，并計算所述新的量子態(tài)對應(yīng)的適應(yīng)度值，在所述新的量子態(tài)對應(yīng)的適應(yīng)度值超過預(yù)設(shè)適應(yīng)度值的情況下，將進(jìn)行撞擊的所述量子態(tài)替換為所述新的量子態(tài)；

20、對所有參數(shù)的量子態(tài)進(jìn)行合并，計算任意兩個量子態(tài)的干涉結(jié)果，并保留產(chǎn)生更低適應(yīng)度值的量子態(tài)，以更新所述特征提取神經(jīng)網(wǎng)絡(luò)的神經(jīng)網(wǎng)絡(luò)參數(shù)；

21、重復(fù)所述迭代過程，直至滿足第二預(yù)設(shè)訓(xùn)練條件，停止訓(xùn)練，得到訓(xùn)練好的特征提取神經(jīng)網(wǎng)絡(luò)。

22、在一個實施例中，所述量子凝聚適應(yīng)度函數(shù)，具體為：

23、l＝fbase(pnew)+λ×fcohesion(q)

24、其中，l(pnew,q)為量子凝聚適應(yīng)度函數(shù)；fbase(pnew)是均方誤差損失函數(shù)；fcohesion(q)是量子凝聚項，用于衡量不同量子態(tài)的協(xié)同效應(yīng)；q是一個集合，包含所有的量子態(tài)；λ是一個超參數(shù)，用于調(diào)整量子凝聚項的權(quán)重。

25、在一個實施例中，所述訓(xùn)練好的運營基站故障診斷分類器的訓(xùn)練方法，包括：

26、將所述多個運行基站樣本數(shù)據(jù)輸入訓(xùn)練好的特征提取神經(jīng)網(wǎng)絡(luò)，輸出所述運營基站樣本數(shù)據(jù)的高維表示樣本，將每個所述高維表示樣本作為一個運營基站數(shù)據(jù)點；

27、在黎曼流形上隨機(jī)初始化一組節(jié)點作為自組織映射的節(jié)點，并為每個節(jié)點賦予一個與數(shù)據(jù)相同維度的向量；

28、對于任意一個所述運營基站數(shù)據(jù)點，計算所述運營基站數(shù)據(jù)點與所有自組織映射的節(jié)點之間的黎曼距離，并找到距離最小的目標(biāo)節(jié)點；

29、根據(jù)所述運營基站數(shù)據(jù)點與所述目標(biāo)節(jié)點之間的距離，調(diào)整所述目標(biāo)節(jié)點與目標(biāo)節(jié)點的相鄰節(jié)點的位置；

30、遍歷各個所述運營基站數(shù)據(jù)點，直至滿足第三預(yù)設(shè)訓(xùn)練條件，停止訓(xùn)練，得到訓(xùn)練好的運營基站故障診斷分類器。

31、第二方面，本技術(shù)實施例提供一種基于神經(jīng)網(wǎng)絡(luò)的基站故障診斷裝置，包括：

32、獲取模塊，用于獲取運營基站數(shù)據(jù)，所述運營基站數(shù)據(jù)包括：基站間接數(shù)據(jù)和基站歷史故障數(shù)據(jù)；

33、第一輸出模塊，用于將所述運營基站數(shù)據(jù)輸入訓(xùn)練好的特征提取神經(jīng)網(wǎng)絡(luò)，輸出所述運營基站數(shù)據(jù)的高維表示；

34、第二輸出模塊，用于將所述運營基站數(shù)據(jù)的高維表示輸入訓(xùn)練好的運營基站故障診斷分類器，輸出所述運營基站的故障診斷結(jié)果。

35、可選地，所述裝置還用于：

36、獲取多個攜帶有故障診斷標(biāo)簽的初始運行基站樣本數(shù)據(jù)，并對所述初始運行基站樣本數(shù)據(jù)進(jìn)行數(shù)據(jù)預(yù)處理；

37、通過基于異步量子編碼的生成對抗網(wǎng)絡(luò)對預(yù)處理后的所述初始運行基站樣本數(shù)據(jù)進(jìn)行數(shù)據(jù)擴(kuò)充，得到多個運行基站樣本數(shù)據(jù)。

38、可選地，所述裝置還用于：

39、在對預(yù)設(shè)生成對抗網(wǎng)絡(luò)中的生成器和判別器進(jìn)行初始化處理后，根據(jù)預(yù)設(shè)調(diào)度算法分別確定所述生成器的第一訓(xùn)練節(jié)奏和所述判別器的第二訓(xùn)練節(jié)奏；

40、所述生成器根據(jù)所述第一訓(xùn)練節(jié)奏，通過對量子狀態(tài)進(jìn)行測量，生成多個生成數(shù)據(jù)，所述判別器根據(jù)所述第二訓(xùn)練節(jié)奏對所述生成數(shù)據(jù)進(jìn)行數(shù)據(jù)質(zhì)量評估；

41、根據(jù)所述判別器的數(shù)據(jù)質(zhì)量評估進(jìn)行誤差計算，根據(jù)誤差更新所述生成器和所述判別器的參數(shù)，并根據(jù)所述數(shù)據(jù)質(zhì)量評估，調(diào)整所述生成器的量子態(tài)，以減少誤差；

42、在滿足第一預(yù)設(shè)訓(xùn)練條件的情況下，停止訓(xùn)練，得到基于異步量子編碼的生成對抗網(wǎng)絡(luò)。

43、可選地，所述裝置還用于：

44、將所述運行基站樣本數(shù)據(jù)映射到量子比特后，得到各個所述運行基站樣本數(shù)據(jù)初始化的量子態(tài)，并設(shè)置初始震蕩頻率；

45、在每一輪迭代過程中，為每一個量子態(tài)引入一個新的隨機(jī)偏移，以獲取新的參數(shù)值，并根據(jù)量子凝聚適應(yīng)度函數(shù)計算所述新的參數(shù)值對應(yīng)的適應(yīng)度值；

46、根據(jù)所述適應(yīng)度值的變化，動態(tài)調(diào)整每個所述參數(shù)值的震蕩頻率，以調(diào)整探索速度；

47、對于任意兩個量子態(tài)進(jìn)行撞擊，產(chǎn)生新的量子態(tài)，并計算所述新的量子態(tài)對應(yīng)的適應(yīng)度值，在所述新的量子態(tài)對應(yīng)的適應(yīng)度值超過預(yù)設(shè)適應(yīng)度值的情況下，將進(jìn)行撞擊的所述量子態(tài)替換為所述新的量子態(tài)；

48、對所有參數(shù)的量子態(tài)進(jìn)行合并，計算任意兩個量子態(tài)的干涉結(jié)果，并保留產(chǎn)生更低適應(yīng)度值的量子態(tài)，以更新所述特征提取神經(jīng)網(wǎng)絡(luò)的神經(jīng)網(wǎng)絡(luò)參數(shù)；

49、重復(fù)所述迭代過程，直至滿足第二預(yù)設(shè)訓(xùn)練條件，停止訓(xùn)練，得到訓(xùn)練好的特征提取神經(jīng)網(wǎng)絡(luò)。

50、可選地，所述裝置還用于：

51、將所述多個運行基站樣本數(shù)據(jù)輸入訓(xùn)練好的特征提取神經(jīng)網(wǎng)絡(luò)，輸出所述運營基站樣本數(shù)據(jù)的高維表示樣本，將每個所述高維表示樣本作為一個運營基站數(shù)據(jù)點；

52、在黎曼流形上隨機(jī)初始化一組節(jié)點作為自組織映射的節(jié)點，并為每個節(jié)點賦予一個與數(shù)據(jù)相同維度的向量；

53、對于任意一個所述運營基站數(shù)據(jù)點，計算所述運營基站數(shù)據(jù)點與所有自組織映射的節(jié)點之間的黎曼距離，并找到距離最小的目標(biāo)節(jié)點；

54、根據(jù)所述運營基站數(shù)據(jù)點與所述目標(biāo)節(jié)點之間的距離，調(diào)整所述目標(biāo)節(jié)點與目標(biāo)節(jié)點的相鄰節(jié)點的位置；

55、遍歷各個所述運營基站數(shù)據(jù)點，直至滿足第三預(yù)設(shè)訓(xùn)練條件，停止訓(xùn)練，得到訓(xùn)練好的運營基站故障診斷分類器。

56、第三方面，本技術(shù)實施例提供一種電子設(shè)備，包括處理器和存儲有計算機(jī)程序的存儲器，所述處理器執(zhí)行所述程序時實現(xiàn)第一方面所述的基于神經(jīng)網(wǎng)絡(luò)的基站故障診斷方法的步驟。

57、第四方面，本技術(shù)實施例提供一種非暫態(tài)計算機(jī)可讀存儲介質(zhì)，其上存儲有計算機(jī)程序，所述計算機(jī)程序被處理器執(zhí)行時實現(xiàn)第一方面所述的基于神經(jīng)網(wǎng)絡(luò)的基站故障診斷方法的步驟。

58、第五方面，本技術(shù)實施例提供一種計算機(jī)程序產(chǎn)品，包括計算機(jī)程序，所述計算機(jī)程序被處理器執(zhí)行時實現(xiàn)第一方面所述的基于神經(jīng)網(wǎng)絡(luò)的基站故障診斷方法的步驟。

59、本技術(shù)實施例提供的基于神經(jīng)網(wǎng)絡(luò)的基站故障診斷方法及裝置，通過訓(xùn)練好的特征提取神經(jīng)網(wǎng)絡(luò)可以有效實現(xiàn)對于運營基站數(shù)據(jù)的特征提取，該特征提取神經(jīng)網(wǎng)絡(luò)結(jié)合了傳統(tǒng)神經(jīng)網(wǎng)絡(luò)技術(shù)和量子態(tài)振蕩優(yōu)化，提供了一種更加強(qiáng)大和穩(wěn)健的參數(shù)優(yōu)化方法。同時，通過模擬量子振蕩和撞擊，增加了算法的探索能力和多樣性。并且，訓(xùn)練好的運營基站故障診斷分類器可以有效根據(jù)運營基站數(shù)據(jù)的高維表示進(jìn)行運營基站的故障診斷結(jié)果。該分類器結(jié)合量子技術(shù)和黎曼流形的方法，使模型具有更強(qiáng)的魯棒性，能夠應(yīng)對各種異常和干擾，提高故障診斷的穩(wěn)定性。本發(fā)明采用神經(jīng)網(wǎng)絡(luò)的方法，可以更好地適應(yīng)復(fù)雜、未知或新型的故障情況，提高故障診斷的準(zhǔn)確性和效率。