淺談數(shù)字化警警系統(tǒng)的建設(shè)

淺談數(shù)字化警警系統(tǒng)的建設(shè)

1自適應(yīng)遺傳算法在將施工質(zhì)量納入到仿真的計(jì)算過(guò)程中,其符合以下幾種基本神經(jīng)網(wǎng)絡(luò)訓(xùn)練的發(fā)展為了提供快速、可靠、可靠的服務(wù)，網(wǎng)絡(luò)管理系統(tǒng)必須滿(mǎn)足現(xiàn)代通信網(wǎng)絡(luò)的規(guī)模、帶寬和復(fù)雜性的快速增加要求?，F(xiàn)代高速信息網(wǎng)絡(luò)經(jīng)常由幾百甚至上千個(gè)節(jié)點(diǎn)構(gòu)成,這些節(jié)點(diǎn)由不同的供應(yīng)商提供,經(jīng)過(guò)的傳輸介質(zhì)也不一樣。一旦網(wǎng)絡(luò)發(fā)生中斷,不僅會(huì)減少網(wǎng)絡(luò)營(yíng)運(yùn)者的收入,而且可能帶來(lái)更嚴(yán)重的經(jīng)濟(jì)損失,從而要求網(wǎng)絡(luò)操作者必須盡可能快地對(duì)故障進(jìn)行修復(fù)。一個(gè)故障能在一段時(shí)間內(nèi)在單個(gè)設(shè)備中生成多重告警,也能在時(shí)間和空間上分布的多個(gè)設(shè)備中生成告警。因此,當(dāng)一個(gè)網(wǎng)絡(luò)發(fā)生故障或失敗時(shí),經(jīng)?？赡茉诙虝r(shí)間內(nèi)生成大量的告警數(shù)據(jù)。通過(guò)分析這些告警的相關(guān)性,可以確定網(wǎng)絡(luò)故障的性質(zhì)和根源。然而,大量的告警數(shù)據(jù)可能很快堵塞網(wǎng)管中心,因此迫切需要采用有效的網(wǎng)絡(luò)管理原始數(shù)據(jù)約簡(jiǎn)和推理技術(shù)?，F(xiàn)有的一些告警相關(guān)性分析方法主要包括因果模型方法(CM),基于模型的推理方法(MBR),基于示例的推理方法(CBR),基于規(guī)則的方法(專(zhuān)家系統(tǒng)方法)(RB)以及人工神經(jīng)網(wǎng)絡(luò)方法(ANN)等,并已分別應(yīng)用于一些實(shí)際的網(wǎng)管系統(tǒng)。但這些方法各有不足:CM方法采用簡(jiǎn)單的監(jiān)測(cè)和分析方式往往難于應(yīng)付復(fù)雜情況;MBR方法是一種基于知識(shí)的推理方式,但在解決復(fù)雜問(wèn)題時(shí)呈現(xiàn)明顯不足;CBR推理系統(tǒng)制定決策是根據(jù)以往的經(jīng)驗(yàn)和示例,其缺點(diǎn)是強(qiáng)烈地局限于本領(lǐng)域應(yīng)用而不存在一種通用的CBR;RB系統(tǒng)實(shí)際上是一類(lèi)專(zhuān)家系統(tǒng)方法,用一組規(guī)則表示其局域知識(shí),如其它AI方法一樣,其不足之處是缺乏學(xué)習(xí)能力;ANN包含大量相互連接的簡(jiǎn)單處理單元及節(jié)點(diǎn),采用簡(jiǎn)單的輸入輸出方式,實(shí)現(xiàn)并行分布式處理,完成所希望解決的計(jì)算任務(wù)。ANN具有通過(guò)改變連接強(qiáng)度或結(jié)構(gòu)來(lái)適應(yīng)特殊環(huán)境條件的能力,克服了一般串行計(jì)算所帶來(lái)的瓶頸問(wèn)題。對(duì)一些復(fù)雜問(wèn)題,當(dāng)沒(méi)有合適的算法或算法太慢條件下,ANN被公認(rèn)為是最好的一種工具。迄今研究和應(yīng)用最多的是多層前向神經(jīng)網(wǎng)絡(luò)。BP算法是應(yīng)用最廣泛的神經(jīng)網(wǎng)絡(luò)訓(xùn)練算法,但BP算法存在兩個(gè)突出弱點(diǎn),即收斂速度慢和易于收斂到局部最小。這是由于在BP算法中,網(wǎng)絡(luò)權(quán)值依賴(lài)于準(zhǔn)則函數(shù)的一階導(dǎo)數(shù)信息來(lái)進(jìn)行修正,當(dāng)求解空間存在多個(gè)局部極小點(diǎn)時(shí),一旦隨機(jī)產(chǎn)生的初始權(quán)值設(shè)置不當(dāng)便會(huì)陷入局部收斂而無(wú)法逸出;即使初始權(quán)值能夠在全局最優(yōu)附近選定,當(dāng)解的周?chē)教箤?dǎo)致梯度變化值細(xì)微時(shí),收斂的速度也會(huì)大大降低。為克服上述問(wèn)題,其它一些最優(yōu)化方法陸續(xù)被用來(lái)對(duì)BP算法加以改進(jìn)。其中,將遺傳算法(GA)與BP算法相結(jié)合的遺傳BP算法成為一種有效的網(wǎng)絡(luò)學(xué)習(xí)方法,如文獻(xiàn)提出利用GA并加入“自適應(yīng)“概念訓(xùn)練神經(jīng)網(wǎng)絡(luò),取得一定成果,但GA較弱的局部搜索能力致使網(wǎng)絡(luò)訓(xùn)練精度和效率都不能太高。本文提出一種改進(jìn)的自適應(yīng)遺傳算法(簡(jiǎn)稱(chēng)IAGA)訓(xùn)練多層前向神經(jīng)網(wǎng)絡(luò),它利用網(wǎng)絡(luò)結(jié)構(gòu)的特點(diǎn),采用前向自適應(yīng)技術(shù),實(shí)現(xiàn)對(duì)神經(jīng)網(wǎng)絡(luò)的有效訓(xùn)練。實(shí)驗(yàn)表明,這種方法可克服一般告警相關(guān)性分析方法的局限,不僅簡(jiǎn)單,而且在網(wǎng)絡(luò)學(xué)習(xí)和訓(xùn)練效率上也高于傳統(tǒng)的BP學(xué)習(xí)算法,標(biāo)準(zhǔn)遺傳算法(簡(jiǎn)稱(chēng)BGA)和一般的自適應(yīng)遺傳算法(簡(jiǎn)稱(chēng)AGA)。2遺傳計(jì)算方法ga及其用于多層訓(xùn)練前的神經(jīng)網(wǎng)絡(luò)培養(yǎng)2.1拉格爾ga算法GA是一種基于自然選擇和自然遺傳的全局優(yōu)化算法,采用從自然選擇機(jī)理中抽象出來(lái)的選擇、交叉和變異三種遺傳算子對(duì)參數(shù)編碼字符串進(jìn)行操作。由于操作是針對(duì)多個(gè)可行解構(gòu)成的群體進(jìn)行,故在其世代更替中可以并行地對(duì)參數(shù)空間的不同區(qū)域進(jìn)行搜索,并使搜索朝著更有可能找到全局最優(yōu)的方向進(jìn)行。該算法在尋優(yōu)過(guò)程中只使用評(píng)價(jià)函數(shù),不要求目標(biāo)函數(shù)的可微性。因此,GA算法具有全局性、并行性、快速性、較好的適應(yīng)性和魯棒性的特點(diǎn),是訓(xùn)練多層前向神經(jīng)網(wǎng)絡(luò)的一種理想算法。用GA求解問(wèn)題的一般步驟為:(1)對(duì)所需優(yōu)化的參數(shù)進(jìn)行染色體位串編碼;(2)產(chǎn)生初始解群;(3)對(duì)群體進(jìn)行評(píng)價(jià),求出每個(gè)個(gè)體的適應(yīng)度值;(4)將遺傳操作算子作用于群體,并產(chǎn)生新一代群體,這包括:①選擇,它是GA的關(guān)鍵,體現(xiàn)自然界中適者生存的思想,②交叉,是GA中最主要的操作算子,可以把優(yōu)良信息傳到下一代的某一個(gè)串中,使該串具有優(yōu)于父輩的性能,故交叉概率應(yīng)取得較大,一般取為(0.6～0.9),③變異,它保證了GA的全局搜索,為了減小運(yùn)算的隨機(jī)性,變異概率應(yīng)取得小一些,一般取為(0.01～0.3)。2.2節(jié)點(diǎn)j輸出函數(shù)設(shè)多層前向神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練樣本數(shù)為P,當(dāng)前學(xué)習(xí)樣本為p,則節(jié)點(diǎn)j的凈輸入為式中Opj為前一層節(jié)點(diǎn)i的輸出,Wji為網(wǎng)絡(luò)連接權(quán)值,θj表示節(jié)點(diǎn)j的閾值。變換函數(shù)取為sigmoid函數(shù),則節(jié)點(diǎn)j的輸出表示為定義訓(xùn)練網(wǎng)絡(luò)權(quán)值的誤差函數(shù)為式中tpj為節(jié)點(diǎn)j的理想輸出,Opj是它的實(shí)際輸出,在P個(gè)訓(xùn)練樣本集內(nèi),總的誤差表示為若前向網(wǎng)絡(luò)有L層,其中包括一個(gè)輸入層,I(I≥0)個(gè)隱含層,和一個(gè)輸出層。Ni表示第i層的節(jié)點(diǎn)數(shù),每個(gè)節(jié)點(diǎn)有一個(gè)閾值(θj),那么,每個(gè)網(wǎng)絡(luò)具有的參數(shù)為2.2.1特定連接權(quán)值和閾值將神經(jīng)網(wǎng)絡(luò)各個(gè)權(quán)值按一定順序編成一長(zhǎng)串,此串由不同的部分組成,本文采用十進(jìn)制編碼方式,形式為串中的每一個(gè)基因代表了某一特定的連接權(quán)值和閾值。形式為的元表示第n-1層節(jié)點(diǎn)i到第n層節(jié)點(diǎn)j的連接權(quán)值,形式為的元表示第n層節(jié)點(diǎn)j的閾值。采用十進(jìn)制形式,與二進(jìn)制相比,一方面可避免串過(guò)長(zhǎng)的問(wèn)題,另一方面又避免了十進(jìn)制與二進(jìn)制轉(zhuǎn)換時(shí)編碼解碼帶來(lái)的轉(zhuǎn)換誤差。圖1為GA-NN算法的染色體編碼機(jī)制示意圖。2.2.2采用離散度計(jì)算公式對(duì)適應(yīng)性進(jìn)行評(píng)估，如下所示2.2.3遺傳算法的神經(jīng)網(wǎng)絡(luò)權(quán)值初始BP算法中,常采用區(qū)間[-1,1]產(chǎn)生初始權(quán)值,但這里,由于遺傳算法不具備調(diào)整權(quán)值的能力,因而為了在群體中產(chǎn)生盡可能多的可行解,且避免由于神經(jīng)網(wǎng)絡(luò)權(quán)值初始值過(guò)小而使算法收斂速度太慢,本文采用在區(qū)間[-2,2]上產(chǎn)生隨機(jī)數(shù)確定群體的初始值。2.2.4變異率的變異性目前Pc和Pm的值基本上是由經(jīng)驗(yàn)取得,對(duì)不同的問(wèn)題需經(jīng)反復(fù)實(shí)驗(yàn)確定。為了解決以上問(wèn)題,文獻(xiàn)提出“自適應(yīng)”的概念以描述可變化的變異率。該方法中,若尋優(yōu)運(yùn)算的任何一步誤差速率不呈線(xiàn)性下降,則Pm相應(yīng)增大;否則,Pm減小,某些情況下,Pm將高達(dá)0.5。然而由此帶來(lái)的問(wèn)題是:由于假設(shè)群體適應(yīng)度是隨時(shí)間增加的,若變異率太高,則每次變異很可能會(huì)丟失大量的優(yōu)良個(gè)體,避免此問(wèn)題的唯一辦法只能是采用相對(duì)較小的變異率。以下便闡述我們提出的改進(jìn)自適應(yīng)遺傳神經(jīng)網(wǎng)絡(luò)算法IAGA-BP。3編碼染色體串的使用IAGA-BP對(duì)普通AGA算法進(jìn)行了如下改進(jìn):(1)依據(jù)下一代解的性能是否優(yōu)于前一代而自適應(yīng)地改變Pc和Pm。如果新一代中的最優(yōu)個(gè)體并不優(yōu)于前一代中的最優(yōu)個(gè)體,則交叉概率變?yōu)?.0,因此這種情況下是對(duì)群體中的所有個(gè)體進(jìn)行適應(yīng)度計(jì)算;并且對(duì)于新一代中適應(yīng)度最大和次大的個(gè)體,直接進(jìn)入下一代中,而不進(jìn)行任何其它操作。這樣做擴(kuò)大了解空間的搜索范圍,并加快群體向最優(yōu)解逼近。此外,變異操作也不再是簡(jiǎn)單地把被選個(gè)體適應(yīng)值隨機(jī)地變?yōu)橐粋€(gè)新值,而是按50%-50%的機(jī)率變?yōu)樵档?10%或90%.使用該方法的好處是:群體進(jìn)化不論是朝著正的還是負(fù)的方向,個(gè)體適應(yīng)值的改變相對(duì)均較小,從而減少了變異優(yōu)良個(gè)體的可能性,指導(dǎo)GA向最優(yōu)解進(jìn)化。(2)為了進(jìn)一步加快GA的收斂速度,提高訓(xùn)練效率,在神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)過(guò)程中,逐次標(biāo)識(shí)每步運(yùn)算中的次最優(yōu)解。如前所述,編碼染色體串包含了連接權(quán)值和節(jié)點(diǎn)閾值且按序排列,因而對(duì)于一給定節(jié)點(diǎn),其輸入權(quán)值和閾值組合在一起,對(duì)于一給定層的所有節(jié)點(diǎn),其權(quán)值和閾值組合也相互鄰接在一起。通過(guò)使用這種排序機(jī)制,我們能很容易辨識(shí)整個(gè)網(wǎng)絡(luò)的層次結(jié)構(gòu)。因此,每個(gè)染色體串按層分成若干塊,也正是這種分塊方式構(gòu)成了確定次最優(yōu)解的基礎(chǔ)。染色體串的內(nèi)部結(jié)構(gòu)可用于確定哪一部分屬于次最優(yōu)解。在IAGA-BP算法操作的第一步,由于還沒(méi)有確定次最優(yōu)解,則整個(gè)染色體串都參與評(píng)價(jià)和操作,因此這一步中算法操作同于A(yíng)GA算法。但若經(jīng)過(guò)某一特定代數(shù)的進(jìn)化(這里稱(chēng)為步長(zhǎng)s)后,仍找不到問(wèn)題的可行解,則算法進(jìn)入第二步操作。每一步操作的步長(zhǎng)s依賴(lài)于MAXGEN參數(shù)n,設(shè)隱含層數(shù)為L(zhǎng),則s由下式得到:式中i相應(yīng)于當(dāng)前操作步驟,n依賴(lài)于神經(jīng)網(wǎng)絡(luò)的規(guī)模。若算法第一步結(jié)束時(shí)沒(méi)有找到問(wèn)題的可行解,則確定第一隱含層的次最優(yōu)解,且在以后的染色體進(jìn)化中,串的這一部分不再參與評(píng)價(jià)和操作。因此,在第二步和以后各步中,算法需要考慮的染色體串的部分越來(lái)越少。在最后一步中,只有一層(輸出層)參與運(yùn)算,如果在這個(gè)過(guò)程中的任何一點(diǎn)找到可行解,則算法結(jié)束。4實(shí)驗(yàn)結(jié)果及分析我們采用IAGA-BP算法、BP算法、BGA算法、AGA算法分別對(duì)有一個(gè)輸入層、一個(gè)隱含層、一個(gè)輸出層的三層神經(jīng)網(wǎng)絡(luò)權(quán)值進(jìn)行訓(xùn)練,并將結(jié)果進(jìn)行分析比較。實(shí)驗(yàn)參數(shù)如下:遺傳算法參數(shù):我們選初始解群規(guī)模為30,交叉概率為0.7,變異概率為0.03,MAXGEN參數(shù)值為100。反向傳播參數(shù):BP采用文獻(xiàn)使用的參數(shù),學(xué)習(xí)速率為0.7,沖量速率為0.9。樣本數(shù)據(jù):實(shí)驗(yàn)中采用文獻(xiàn)討論的SDH實(shí)驗(yàn)網(wǎng)絡(luò)的告警樣本數(shù)據(jù),三層前向神經(jīng)網(wǎng)絡(luò)包括6個(gè)輸入節(jié)點(diǎn),2個(gè)隱含層節(jié)點(diǎn)和1個(gè)輸出節(jié)點(diǎn)。告警樣本數(shù)據(jù)經(jīng)轉(zhuǎn)換變成如表1所示的遺傳神經(jīng)網(wǎng)絡(luò)可辨識(shí)的輸入輸出格式。實(shí)驗(yàn)1BP算法,BGA算法與AGA算法的比較在上述參數(shù)下,我們分別用反向傳播算法(BP),一般遺傳算法(BGA)和普通自適應(yīng)遺傳算法(AGA)對(duì)以上神經(jīng)網(wǎng)絡(luò)進(jìn)行權(quán)值訓(xùn)練,實(shí)驗(yàn)結(jié)果如圖2所示。由圖可見(jiàn),用BGA訓(xùn)練神經(jīng)網(wǎng)絡(luò),收斂速度和質(zhì)量明顯優(yōu)于BP算法,這體現(xiàn)了GA算法本質(zhì)的并行性和全局性;而在訓(xùn)練初期,BGA可以很快地使運(yùn)算收斂到一近似解,但由于遺傳算法不可避免的局部搜索能力較弱,在訓(xùn)練后期,收斂速度急劇下降;而AGA算法和BGA算法相比較,收斂速度和精度又進(jìn)一步提高,這是由于A(yíng)GA采用可變Pc和Pm,在一定程度上提高了算法學(xué)習(xí)的自適應(yīng)性和搜索能力。實(shí)驗(yàn)2AGA算法與IAGA-BP算法的比較本文所做的第二個(gè)實(shí)驗(yàn)是分析比較AGA算法與IAGA-BP算法的性能,實(shí)驗(yàn)結(jié)果如圖3所示。正如我們預(yù)期的那樣,采用IAGA-BP算法訓(xùn)練神經(jīng)網(wǎng)絡(luò),訓(xùn)練質(zhì)量和收斂速度都優(yōu)于A(yíng)GA算法。這是由于IAGA-BP算法依據(jù)下一代解的性能是否優(yōu)于前一代而自適應(yīng)地改變Pc和Pm,避免在進(jìn)化過(guò)程中丟失大量?jī)?yōu)良個(gè)體,擴(kuò)大了解空間的搜索范圍,從而加快算法的尋優(yōu)過(guò)程;在神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)過(guò)程中,逐次標(biāo)識(shí)每步運(yùn)算中的次最優(yōu)解使得算法隨著優(yōu)化步驟增加而運(yùn)算次數(shù)按級(jí)數(shù)減少,提高了GA的局部搜索能力且使算法學(xué)習(xí)效率大大提高。5網(wǎng)絡(luò)模型的改進(jìn)本文提出了一種基于改進(jìn)遺傳神經(jīng)網(wǎng)絡(luò)模型的通信網(wǎng)絡(luò)故障檢測(cè)和告警相關(guān)性分析方法。仿真實(shí)驗(yàn)表明,這種