本發(fā)明實施例涉及通信技術(shù)領域，尤其涉及一種室內(nèi)分布系統(tǒng)的故障推理方法及裝置。

背景技術(shù)：

隨著科學技術(shù)的快速發(fā)展，通信網(wǎng)絡的應用越來越普及，智能終端已逐漸成為人民群眾日常生活中廣泛使用的一種現(xiàn)代化通信工具，同時廣大移動用戶對移動通信服務質(zhì)量的要求也越來越高，他們已不再單單滿足于良好的室外移動通信服務，而且也要求在室內(nèi)(特別是星級酒店、大型商場、高級寫字樓等)能享受優(yōu)質(zhì)的移動通信服務，進而對室內(nèi)分布系統(tǒng)的應用提出了較高要求。

現(xiàn)有技術(shù)中，在室內(nèi)分布系統(tǒng)出現(xiàn)故障時，檢測室內(nèi)分布系統(tǒng)故障的主要方式為人為現(xiàn)場檢測，這樣使得對室內(nèi)分布系統(tǒng)的故障推理完全憑借工程師個人經(jīng)驗。

然而，現(xiàn)有技術(shù)中，通過人為現(xiàn)場檢測并分析室內(nèi)分布系統(tǒng)所出現(xiàn)的故障，檢測效率低，工作量大，耗費大量人力物力，并且，對室內(nèi)分布系統(tǒng)隱性故障原因分析困難，即使借助儀器儀表仍不能有效判別，使得故障原因經(jīng)常被淹沒，降低了故障檢測的準確可靠性。

技術(shù)實現(xiàn)要素：

本發(fā)明實施例提供了一種室內(nèi)分布系統(tǒng)的故障推理方法及裝置，可以有效對室內(nèi)分布系統(tǒng)所出現(xiàn)的故障進行快速檢測并分析，有效地提高了對室內(nèi)分析系統(tǒng)的故障進行檢測的效率和準確率，并且降低了人力物力。

本發(fā)明實施例的一方面提供了一種室內(nèi)分布系統(tǒng)的故障推理方法，包括：

在確定室內(nèi)分布系統(tǒng)出現(xiàn)故障后，在預設的采集周期內(nèi)獲取所述室內(nèi)分布系統(tǒng)所在區(qū)域的多個特征參數(shù)向量；

利用多個預設的神經(jīng)網(wǎng)絡分類器對多個所述特征參數(shù)向量進行分析處理，獲得多個分析結(jié)果；

在所述多個分析結(jié)果中確定分析結(jié)果數(shù)值最大的神經(jīng)網(wǎng)絡分類器，并根據(jù)所述神經(jīng)網(wǎng)絡分類器確定所述室內(nèi)分布系統(tǒng)的故障原因信息。

如上所述的方法，所述在預設的采集周期內(nèi)獲取所述室內(nèi)分布系統(tǒng)所在區(qū)域的多個特征參數(shù)向量，具體包括：

在預設的采集周期內(nèi)獲取所述室內(nèi)分布系統(tǒng)所在區(qū)域的多個特征數(shù)據(jù)；

根據(jù)所述多個特征數(shù)據(jù)確定在所述多個特征數(shù)據(jù)中的最大特征數(shù)據(jù)和最小特征數(shù)據(jù)；

根據(jù)所述特征數(shù)據(jù)、最大特征數(shù)據(jù)和最小特征數(shù)據(jù)確定與所述特征數(shù)據(jù)相對應的特征參數(shù)向量。

如上所述的方法，根據(jù)所述特征數(shù)據(jù)、最大特征數(shù)據(jù)和最小特征數(shù)據(jù)確定與所述特征數(shù)據(jù)相對應的特征參數(shù)向量，具體包括：

根據(jù)公式對所述特征數(shù)據(jù)進行歸一化處理，獲得與所述特征數(shù)據(jù)相對應的處理后特征數(shù)據(jù)，其中，Min為最小特征數(shù)據(jù)，Max為最大特征數(shù)據(jù)，x為特征數(shù)據(jù),y為處理后特征數(shù)據(jù)；

根據(jù)特征數(shù)據(jù)x和處理后特征數(shù)據(jù)y確定與所述特征數(shù)據(jù)x相對應的所述特征參數(shù)向量。

如上所述的方法，所述神經(jīng)網(wǎng)絡分類器個數(shù)與所述特征參數(shù)向量個數(shù)相同且一一對應；利用多個預設的神經(jīng)網(wǎng)絡分類器對多個所述特征參數(shù)向量進行分析處理，獲得多個分析結(jié)果，具體包括：

所述神經(jīng)網(wǎng)絡分類器利用預設的標準向量機函數(shù)對所述特征參數(shù)向量進行訓練，獲得多個訓練結(jié)果。

如上所述的方法，所述根據(jù)所述神經(jīng)網(wǎng)絡分類器確定所述室內(nèi)分布系統(tǒng)的故障原因信息，具體包括：

若所述神經(jīng)網(wǎng)絡分類器的分析結(jié)果大于預設的閾值時，則確定所述室內(nèi)分布系統(tǒng)的故障原因信息為預先設置的與該神經(jīng)網(wǎng)絡分類器所對應的故障原因集合；或者，

若所述神經(jīng)網(wǎng)絡分類器的分析結(jié)果小于或等于預設的閾值時，則根據(jù)用戶經(jīng)驗確定所述室內(nèi)分布系統(tǒng)的故障原因信息。

如上所述的方法，在獲得多個訓練結(jié)果之后，所述方法還包括：

對所述訓練結(jié)果進行分析處理，獲得向量機判別函數(shù)；

根據(jù)所述向量機判別函數(shù)判斷是否對與所述向量機判別函數(shù)所對應的故障信息進行學習。

如上所述的方法，根據(jù)所述向量機判別函數(shù)判斷是否對與所述向量機判別函數(shù)所對應的故障信息進行學習，具體包括：

若基于所述特征數(shù)據(jù)下的所述向量機判別函數(shù)大于0，則確認對該所述特征數(shù)據(jù)所對應的故障信息進行學習，和/或，根據(jù)所述特征數(shù)據(jù)所對應的故障信息更新所述神經(jīng)網(wǎng)絡分類器；或者，

若基于所述特征數(shù)據(jù)下的所述向量機判別函數(shù)小于或等于0，則直接獲取預先存儲的與該所述特征數(shù)據(jù)相對應的故障信息。

本發(fā)明實施例的另一方面提供了一種室內(nèi)分布系統(tǒng)的故障推理裝置，包括：

獲取模塊，用于在確定室內(nèi)分布系統(tǒng)出現(xiàn)故障后，在預設的采集周期內(nèi)獲取所述室內(nèi)分布系統(tǒng)所在區(qū)域的多個特征參數(shù)向量；

分析模塊，用于利用多個預設的神經(jīng)網(wǎng)絡分類器對多個所述特征參數(shù)向量進行分析處理，獲得多個分析結(jié)果；

故障確定模塊，用于在所述多個分析結(jié)果中確定分析結(jié)果數(shù)值最大的神經(jīng)網(wǎng)絡分類器，并根據(jù)所述神經(jīng)網(wǎng)絡分類器確定所述室內(nèi)分布系統(tǒng)的故障原因信息。

如上所述的裝置，所述獲取模塊，具體用于：

在預設的采集周期內(nèi)獲取所述室內(nèi)分布系統(tǒng)所在區(qū)域的多個特征數(shù)據(jù)；

根據(jù)所述多個特征數(shù)據(jù)確定在所述多個特征數(shù)據(jù)中的最大特征數(shù)據(jù)和最小特征數(shù)據(jù)；

根據(jù)所述特征數(shù)據(jù)、最大特征數(shù)據(jù)和最小特征數(shù)據(jù)確定與所述特征數(shù)據(jù)相對應的特征參數(shù)向量。

如上所述的裝置，所述獲取模塊，具體用于：

根據(jù)公式對所述特征數(shù)據(jù)進行歸一化處理，獲得與所述特征數(shù)據(jù)相對應的處理后特征數(shù)據(jù)，其中，Min為最小特征數(shù)據(jù)，Max為最大特征數(shù)據(jù)，x為特征數(shù)據(jù),y為處理后特征數(shù)據(jù)；

根據(jù)特征數(shù)據(jù)x和處理后特征數(shù)據(jù)y確定與所述特征數(shù)據(jù)x相對應的所述特征參數(shù)向量。

如上所述的裝置，所述神經(jīng)網(wǎng)絡分類器個數(shù)與所述特征參數(shù)向量個數(shù)相同且一一對應；所述分析模塊，具體用于：

所述神經(jīng)網(wǎng)絡分類器利用預設的標準向量機函數(shù)對所述特征參數(shù)向量進行訓練，獲得多個訓練結(jié)果。

如上所述的裝置，所述故障確定模塊，具體用于：

若所述神經(jīng)網(wǎng)絡分類器的分析結(jié)果大于預設的閾值時，則確定所述室內(nèi)分布系統(tǒng)的故障原因信息為預先設置的與該神經(jīng)網(wǎng)絡分類器所對應的故障原因集合；或者，

若所述神經(jīng)網(wǎng)絡分類器的分析結(jié)果小于或等于預設的閾值時，則根據(jù)用戶經(jīng)驗確定所述室內(nèi)分布系統(tǒng)的故障原因信息。

如上所述的裝置，所述獲取模塊，還用于在獲得多個訓練結(jié)果之后，對所述訓練結(jié)果進行分析處理，獲得向量機判別函數(shù)；

所述裝置還包括：

學習模塊，用于根據(jù)所述向量機判別函數(shù)判斷是否對與所述向量機判別函數(shù)所對應的故障信息進行學習。

如上所述的裝置，所述學習模塊，具體用于：

若基于所述特征數(shù)據(jù)下的所述向量機判別函數(shù)大于0，則確認對該所述特征數(shù)據(jù)所對應的故障信息進行學習，和/或，根據(jù)所述特征數(shù)據(jù)所對應的故障信息更新所述神經(jīng)網(wǎng)絡分類器；或者，

若基于所述特征數(shù)據(jù)下的所述向量機判別函數(shù)小于或等于0，則直接獲取預先存儲的與該所述特征數(shù)據(jù)相對應的故障信息。

本發(fā)明提供的室內(nèi)分布系統(tǒng)的故障推理方法及裝置，通過獲得特征參數(shù)向量，通過該神經(jīng)網(wǎng)絡分類器對特征參數(shù)向量進行分析，確定分析結(jié)果數(shù)值最大的神經(jīng)網(wǎng)絡分類器，從而根據(jù)該神經(jīng)網(wǎng)絡分類器即可確定室內(nèi)分布系統(tǒng)的故障原因信息，可以有效對室內(nèi)分布系統(tǒng)所出現(xiàn)的故障進行快速檢測并分析，有效地提高了對室內(nèi)分析系統(tǒng)的故障進行檢測的效率和準確率，并且降低了人力物力，提高了該故障推理方法的實用性，有利于市場的推廣與應用。

附圖說明

圖1為本發(fā)明一實施例提供的一種室內(nèi)分布系統(tǒng)的故障推理方法的流程示意圖；

圖2為本發(fā)明另一實施例提供的一種室內(nèi)分布系統(tǒng)的故障推理方法的流程示意圖；

圖3為本發(fā)明又一實施例提供的一種室內(nèi)分布系統(tǒng)的故障推理方法的流程示意圖；

圖4為本發(fā)明再一實施例提供的一種室內(nèi)分布系統(tǒng)的故障推理方法的流程示意圖；

圖5為本發(fā)明一實施例提供的一種室內(nèi)分布系統(tǒng)的故障推理裝置的結(jié)構(gòu)示意圖。

圖中，

1、獲取模塊； 2、分析模塊；

3、故障確定模塊； 4、學習模塊。

具體實施方式

下面結(jié)合附圖和實施例，對本發(fā)明的具體實施方式作進一步詳細描述。以下實例用于說明本發(fā)明，但不用來限制本發(fā)明的范圍。

圖1為本發(fā)明一實施例提供的一種室內(nèi)分布系統(tǒng)的故障推理方法的流程示意圖；圖2為本發(fā)明另一實施例提供的一種室內(nèi)分布系統(tǒng)的故障推理方法的流程示意圖；圖4為本發(fā)明再一實施例提供的一種室內(nèi)分布系統(tǒng)的故障推理方法的流程示意圖；參考附圖1-2、4可知，本實施例提供了一種室內(nèi)分布系統(tǒng)的故障推理方法，用于快速查找并檢測室內(nèi)分布系統(tǒng)的故障信息，具體的，該故障推理方法包括：

S101：在確定室內(nèi)分布系統(tǒng)出現(xiàn)故障后，在預設的采集周期內(nèi)獲取室內(nèi)分布系統(tǒng)所在區(qū)域的多個特征參數(shù)向量；

室內(nèi)分析系統(tǒng)的工作狀態(tài)與多個參數(shù)有關，例如：室內(nèi)分布系統(tǒng)的覆蓋性能、干擾水平、硬件性能以及工程設計等因素，以上任意一個因素工作超出預設的標準預設范圍，均會造成室內(nèi)分布系統(tǒng)出現(xiàn)故障，而在確定室內(nèi)分布系統(tǒng)出現(xiàn)故障后，為了能夠快速查找到具體使得室內(nèi)分布系統(tǒng)出現(xiàn)故障的故障信息，按照預設的采集周期獲取室內(nèi)分布系統(tǒng)的所在區(qū)域的多個特征參數(shù)向量，其中，采集周期可以為出現(xiàn)故障前的半個小時或者出現(xiàn)故障前的半個小時和出現(xiàn)故障后的半個小時等等，具體的，本領域技術(shù)人員可以根據(jù)具體的設計需求設置，另外，室內(nèi)分布系統(tǒng)所在區(qū)域一般情況下是指室內(nèi)分布系統(tǒng)所在小區(qū)或者所在工作樓等等；進一步的，將在預設的采集周期內(nèi)獲取室內(nèi)分布系統(tǒng)所在區(qū)域的多個特征參數(shù)向量設置為具體包括：

S1011：在預設的采集周期內(nèi)獲取室內(nèi)分布系統(tǒng)所在區(qū)域的多個特征數(shù)據(jù)；

特征數(shù)據(jù)為與室內(nèi)分布系統(tǒng)工作狀態(tài)有關的數(shù)據(jù)，其中包括與故障信息有關的特征數(shù)據(jù)和與故障信息無關的特征數(shù)據(jù)，例如：特征數(shù)據(jù)可以包括：重疊覆蓋信息、覆蓋外泄信息、上下行不平衡比例信息、覆蓋空洞比例、下行信噪比信息、上行干擾信息等；當室內(nèi)分布系統(tǒng)出現(xiàn)故障的原因為干擾水平，則可以確認上行干擾信息和下行信噪比信息為與故障信息有關的特征數(shù)據(jù)，其他數(shù)據(jù)為與故障信息無關的特征數(shù)據(jù)。

另外，需要說明的是，由于在采集周期按照一定的采集頻率獲取到的特征數(shù)據(jù)會比較多，因此，較為優(yōu)選的，為了提高計算和分析的效率，將本實施例中所指的特征數(shù)據(jù)為平均特征數(shù)據(jù)；例如：采集周期為5個小時，采集頻率為1小時/次，假設所獲取的5個數(shù)據(jù)分別為10Mbytes、11Mbytes、10.5Mbytes、10.8Mbytes和11.3Mbytes，此時的上述5個數(shù)據(jù)均為平均數(shù)據(jù)，即為在第一個小時內(nèi)進行平均業(yè)務流量為10Mbytes，依次類推。

S1012：根據(jù)多個特征數(shù)據(jù)確定在多個特征數(shù)據(jù)中的最大特征數(shù)據(jù)和最小特征數(shù)據(jù)；

由于上述數(shù)據(jù)為在采集周期內(nèi)獲取的數(shù)據(jù)信息，那么針對同一參數(shù)數(shù)據(jù)會包括多個特征數(shù)據(jù)，將上述多個特征數(shù)據(jù)進行分析比較，即可獲取多個特征數(shù)據(jù)中的最大特征數(shù)據(jù)和最小特征數(shù)據(jù)。

S1013：根據(jù)特征數(shù)據(jù)、最大特征數(shù)據(jù)和最小特征數(shù)據(jù)確定與特征數(shù)據(jù)相對應的特征參數(shù)向量。

進一步的，將根據(jù)特征數(shù)據(jù)、最大特征數(shù)據(jù)和最小特征數(shù)據(jù)確定與特征數(shù)據(jù)相對應的特征參數(shù)向量設置為具體包括：

S10131：根據(jù)公式對特征數(shù)據(jù)進行歸一化處理，獲得與特征數(shù)據(jù)相對應的處理后特征數(shù)據(jù)，其中，Min為最小特征數(shù)據(jù)，Max為最大特征數(shù)據(jù)，x為特征數(shù)據(jù),y為處理后特征數(shù)據(jù)；其中，0≤y≤1。

S10132：根據(jù)特征數(shù)據(jù)x和處理后特征數(shù)據(jù)y確定與特征數(shù)據(jù)x相對應的特征參數(shù)向量。

其中，特征參數(shù)向量由(x,y)構(gòu)成，當獲取到特征參數(shù)向量之后，可以對該特征參數(shù)向量進行學習訓練，以便于確定室內(nèi)分布系統(tǒng)的故障信息。

S102：利用多個預設的神經(jīng)網(wǎng)絡分類器對多個特征參數(shù)向量進行分析處理，獲得多個分析結(jié)果；

具體的，由于特征參數(shù)向量數(shù)量為多個，因此，為了便于對多個特征參數(shù)向量進行訓練學習，將對特征參數(shù)向量進行訓練學習，將神經(jīng)網(wǎng)絡分類器的個數(shù)設置為與特征參數(shù)向量個數(shù)相同，使得一個特征參數(shù)向量對應一個神經(jīng)網(wǎng)絡分類器；其中，需要說明的是，神經(jīng)網(wǎng)絡分類器為根據(jù)對歷史數(shù)據(jù)進行分析學習而建立的，在神經(jīng)網(wǎng)絡分類器內(nèi)存儲中預先確定的故障信息，其中，故障信息包括：故障類型以及所對應的故障原因等；因此，在利用多個預設的神經(jīng)網(wǎng)絡分類器對多個特征參數(shù)向量進行分析處理，獲得多個分析結(jié)果，具體包括：

S1021：神經(jīng)網(wǎng)絡分類器利用多個預設的標準向量機函數(shù)對多個特征參數(shù)向量進行訓練，獲得多個訓練結(jié)果。

本實施例中的標準向量機函數(shù)可以為其中，α_i、y_i和K(d_j·d_i)為標準向量機因數(shù)，設特征參數(shù)向量為而通過公式即可確認特征參數(shù)向量其中，x為特征數(shù)據(jù),y為處理后特征數(shù)據(jù)；當利用標準向量機函數(shù)對沙特正參數(shù)向量進行訓練時，即可獲得多個訓練結(jié)果。

S103：在多個分析結(jié)果中確定分析結(jié)果數(shù)值最大的神經(jīng)網(wǎng)絡分類器，并根據(jù)神經(jīng)網(wǎng)絡分類器確定室內(nèi)分布系統(tǒng)的故障原因信息。

在獲取多個到多個分析結(jié)果時，激活區(qū)多個訓練結(jié)果時，對多個訓練結(jié)果進行分析對比，即可獲取多個訓練結(jié)果中數(shù)值最大的訓練結(jié)果，此時，即確定了分析結(jié)果數(shù)值最大的神經(jīng)網(wǎng)絡分類器，此時，則說明該神經(jīng)網(wǎng)絡分類器所對應的故障信息時室內(nèi)分布系統(tǒng)的故障原因信息的概率最大，為了提高對室內(nèi)分布系統(tǒng)的故障原因信息確定的準確可靠性，較為優(yōu)選的，將根據(jù)神經(jīng)網(wǎng)絡分類器確定室內(nèi)分布系統(tǒng)的故障原因信息設置為具體包括：

S1031：若神經(jīng)網(wǎng)絡分類器的分析結(jié)果大于預設的閾值時，則確定室內(nèi)分布系統(tǒng)的故障原因信息為預先設置的與該神經(jīng)網(wǎng)絡分類器所對應的故障原因集合；或者，

其中，閾值時用于判斷分析結(jié)果數(shù)值最大所對應的神經(jīng)網(wǎng)絡分類器的故障原因是否為室內(nèi)分布系統(tǒng)故障所對應的故障原因信息，當該神經(jīng)網(wǎng)絡分類器的分析結(jié)果大于該閾值時，則可以基本確定該神經(jīng)網(wǎng)絡分類器所對應的故障原因集合即為室內(nèi)分布系統(tǒng)的故障原因信息，當然的，為了提高對室內(nèi)分布系統(tǒng)的故障原因確定的準確可靠性，該方法還可以設置為包括：維護人員根據(jù)上述神經(jīng)網(wǎng)絡分類器所對應的故障原因即可確定相應的故障點以及故障原因，維護人員可以到達故障點位置對相應設備進行檢測，判斷上述確認室內(nèi)分布系統(tǒng)的故障原因信息是否準確。

S1032：若神經(jīng)網(wǎng)絡分類器的分析結(jié)果小于或等于預設的閾值時，則根據(jù)用戶經(jīng)驗確定室內(nèi)分布系統(tǒng)的故障原因信息。

當該神經(jīng)網(wǎng)絡分類器的分析結(jié)果小于或等于該閾值時，則說明此時神經(jīng)網(wǎng)絡分類器所對應的故障原因集合不是室內(nèi)分布系統(tǒng)的故障原因信息，而此時通過該方法也無法準確判斷室內(nèi)分布系統(tǒng)的故障原因信息，因此，維護或者檢測人員可以根據(jù)用戶經(jīng)驗確定室內(nèi)分布系統(tǒng)的故障原因信息，以保證室內(nèi)分布系統(tǒng)的故障原因信息確定的準確可靠性。

本實施例提供的室內(nèi)分布系統(tǒng)的故障推理方法，通過獲得特征參數(shù)向量，通過該神經(jīng)網(wǎng)絡分類器對特征參數(shù)向量進行分析，確定分析結(jié)果數(shù)值最大的神經(jīng)網(wǎng)絡分類器，從而根據(jù)該神經(jīng)網(wǎng)絡分類器即可確定室內(nèi)分布系統(tǒng)的故障原因信息，可以有效對室內(nèi)分布系統(tǒng)所出現(xiàn)的故障進行快速檢測并分析，有效地提高了對室內(nèi)分析系統(tǒng)的故障進行檢測的效率和準確率，并且降低了人力物力，提高了該故障推理方法的實用性，有利于市場的推廣與應用。

圖3為本發(fā)明又一實施例提供的一種室內(nèi)分布系統(tǒng)的故障推理方法的流程示意圖；在上述實施例的基礎上，繼續(xù)參考附圖1-4可知，本實施例在獲得多個訓練結(jié)果之后，將方法還包括：

S201：對訓練結(jié)果進行分析處理，獲得向量機判別函數(shù)；

其中，可以將判別函數(shù)設置為X為判別函數(shù)的輸入指，e和a為預設參數(shù)；在神經(jīng)網(wǎng)絡分類器利用預設的標準向量機函數(shù)對特征參數(shù)向量進行訓練，獲得多個訓練結(jié)果之后，為了提高神經(jīng)網(wǎng)絡分類器的適用能力，根據(jù)訓練結(jié)果，可以獲得向量機判別函數(shù)，以實現(xiàn)對神經(jīng)網(wǎng)絡分類器中不存在的故障信息(故障點和/或故障原因)進行補充學習。

S202：根據(jù)向量機判別函數(shù)判斷是否對與向量機判別函數(shù)所對應的故障信息進行學習。

具體的，將根據(jù)向量機判別函數(shù)判斷是否對與向量機判別函數(shù)所對應的故障信息進行學習設置為具體包括：

S2021：若基于特征數(shù)據(jù)下的向量機判別函數(shù)大于0，則確認對該特征數(shù)據(jù)所對應的故障信息進行學習，和/或，根據(jù)所述特征數(shù)據(jù)所對應的故障信息更新所述神經(jīng)網(wǎng)絡分類器；或者，

在獲取到向量機判別函數(shù)之后，可以將每個特征數(shù)據(jù)帶入到向量機判斷函數(shù)中，進而可以獲得基于特征數(shù)據(jù)下的向量機判斷函數(shù)值，然后將該向量機判斷函數(shù)值與0進行比較，若基于特征數(shù)據(jù)下的向量機判斷函數(shù)大于0，即此時的向量機判斷函數(shù)值大于0，此時則說明對于該特征數(shù)據(jù)所對應的神經(jīng)網(wǎng)絡分類器中的故障信息還不完備，進而確定對該特征數(shù)據(jù)所對應的故障信息進行學習，此時，可以看作是對神經(jīng)網(wǎng)絡分類器進行了更新操作，使得神經(jīng)網(wǎng)絡分類器中所對應的故障信息更加完備，以提高該神經(jīng)網(wǎng)絡分類器對室內(nèi)分布系統(tǒng)故障判別的準確可靠性。

S2022：若基于特征數(shù)據(jù)下的向量機判別函數(shù)小于或等于0，則直接獲取預先存儲的與該特征數(shù)據(jù)相對應的故障信息。

若基于特征數(shù)據(jù)下的向量機判斷函數(shù)小于或等于0，即此時的向量機判斷函數(shù)值小于或等于0，此時則說明對于該特征數(shù)據(jù)所對應的神經(jīng)網(wǎng)絡分類器中的故障信息已經(jīng)很完備，進而則直接獲取預先存儲的與該特征數(shù)據(jù)相對應的故障信息，進而可以確定室內(nèi)分布系統(tǒng)故障所對應的故障信息。

通過對訓練結(jié)果進行分析處理，獲得向量機判別函數(shù)，并根據(jù)向量機判別函數(shù)判斷是否對與向量機判別函數(shù)所對應的故障信息進行學習，有效地提高了神經(jīng)網(wǎng)絡分類器的故障信息的完備性，使得利用神經(jīng)網(wǎng)絡分類器對特征參數(shù)向量進行分析訓練更加準確可靠，進一步提高了該故障推理方法使用的準確可靠性。

需要注意的是，本技術(shù)方案中的神經(jīng)網(wǎng)絡分類器還可以直接根據(jù)室內(nèi)分布系統(tǒng)的故障信息進行學習訓練，即為上述的根據(jù)所述特征數(shù)據(jù)所對應的故障信息更新所述神經(jīng)網(wǎng)絡分類器的過程，具體的，該學習訓練的過程包括對已存在故障信息的網(wǎng)絡分類器進行更新操作和對未存在故障信息的網(wǎng)絡分類器進行自主學習操作。

具體的，若在確認室內(nèi)分布系統(tǒng)出現(xiàn)故障后，經(jīng)過分析判斷，該故障類型和故障原因信息存在相應的神經(jīng)網(wǎng)絡分類器，則可以直接利用該神經(jīng)網(wǎng)絡分類器確定室內(nèi)分布系統(tǒng)的故障原因信息，而對于該神經(jīng)網(wǎng)絡分類器可以按照預設的更新周期進行更新操作，以保證故障分析的準確可靠性。

若在確認室內(nèi)分布系統(tǒng)出現(xiàn)故障后，經(jīng)過分析判斷可知，該故障類型和故障原因信息不存在相應的神經(jīng)網(wǎng)絡分類器，為了增加該室內(nèi)分布系統(tǒng)的故障推理方法使用的精確度，并提高神經(jīng)網(wǎng)絡分類器的置信度，則可以根據(jù)故障信息和所確定的相應的故障原因建立與該故障類型和故障原因信息相對應的神經(jīng)網(wǎng)絡分類器，進而可以實現(xiàn)為其他故障情況的判斷提供依據(jù)，進一步提高了該故障推理方法的實用性，有利于市場的推廣與應用。

為了更加清楚的了解本技術(shù)方案的實現(xiàn)過程，例如以下具體實施例：

經(jīng)過檢查可以確定該系統(tǒng)已經(jīng)出現(xiàn)故障，并且不存在相關告警且不存在駐波比異常，進而可以排除告警原因?qū)е翿TWP抬升。

在確認系統(tǒng)出現(xiàn)故障后，獲取該系統(tǒng)的特征數(shù)據(jù)，根據(jù)特征數(shù)據(jù)確定該小區(qū)特征參數(shù)向量初始值，(RSCP,nRSCP1,nRSCP2,nRSCP3,nRSCP4,nRSCP5,nRSCP6,Ec/No,txpow,mRTWP,sRTWP,isRepeator)。

然后根據(jù)特征參數(shù)向量初始值獲取該小區(qū)在統(tǒng)計周期類的特征參數(shù)向量平均值，即為上述過程中的特征參數(shù)向量，例如，可以將特征參數(shù)向量設置自為：(-70,-74,-80,-85,-88,-99,-101,-6,5,-92,0,1)，其中，最后一個字段代表是否下掛直放站。

隨后，將所獲取的特征參數(shù)向量輸入到預設的M個個人神經(jīng)網(wǎng)絡分類器中，實現(xiàn)對特征參數(shù)向量進行分析訓練；

之后，得到輸出值最大的分類器，將該分類器對應的故障原因集合判斷為該小區(qū)故障原因，例如，可以確定該小區(qū)的故障原因集合按概率排序為{無源器件(耦合器功分器等)故障、直放站故障、饋線進水、高駐波比、RRU故障}。

在確認系統(tǒng)的故障后，維護人員可以到現(xiàn)場進行查驗和維護，以恢復系統(tǒng)的正常運行與使用。

圖5為本發(fā)明一實施例提供的一種室內(nèi)分布系統(tǒng)的故障推理裝置的結(jié)構(gòu)示意圖，參考附圖5可知，本實施例還提供了一種室內(nèi)分布系統(tǒng)的故障推理裝置，該故障推理裝置用于對室內(nèi)分布系統(tǒng)的故障進行快速、有效分析，具體包括：

獲取模塊1，用于在確定室內(nèi)分布系統(tǒng)出現(xiàn)故障后，在預設的采集周期內(nèi)獲取室內(nèi)分布系統(tǒng)所在區(qū)域的多個特征參數(shù)向量；

該獲取模塊1具體用于：

在預設的采集周期內(nèi)獲取室內(nèi)分布系統(tǒng)所在區(qū)域的多個特征數(shù)據(jù)；

根據(jù)多個特征數(shù)據(jù)確定在多個特征數(shù)據(jù)中的最大特征數(shù)據(jù)和最小特征數(shù)據(jù)；

根據(jù)特征數(shù)據(jù)、最大特征數(shù)據(jù)和最小特征數(shù)據(jù)確定與特征數(shù)據(jù)相對應的特征參數(shù)向量。

進一步的，該獲取模塊1具體用于：

根據(jù)公式對特征數(shù)據(jù)進行歸一化處理，獲得與特征數(shù)據(jù)相對應的處理后特征數(shù)據(jù)，其中，Min為最小特征數(shù)據(jù)，Max為最大特征數(shù)據(jù)，x為特征數(shù)據(jù),y為處理后特征數(shù)據(jù)；

分析模塊2，用于利用多個預設的神經(jīng)網(wǎng)絡分類器對多個特征參數(shù)向量進行分析處理，獲得多個分析結(jié)果；

其中，神經(jīng)網(wǎng)絡分類器個數(shù)與特征參數(shù)向量個數(shù)相同且一一對應；此時，將分析模塊2設置為具體用于：

神經(jīng)網(wǎng)絡分類器利用預設的標準向量機函數(shù)對特征參數(shù)向量進行訓練，獲得多個訓練結(jié)果。

故障確定模塊3，用于在多個分析結(jié)果中確定分析結(jié)果數(shù)值最大的神經(jīng)網(wǎng)絡分類器，并根據(jù)神經(jīng)網(wǎng)絡分類器確定室內(nèi)分布系統(tǒng)的故障原因信息。

根據(jù)特征數(shù)據(jù)x和處理后特征數(shù)據(jù)y確定與特征數(shù)據(jù)x相對應的特征參數(shù)向量。

進一步的，將故障確定模塊3設置為具體用于：

若神經(jīng)網(wǎng)絡分類器的分析結(jié)果大于預設的閾值時，則確定室內(nèi)分布系統(tǒng)的故障原因信息為預先設置的與該神經(jīng)網(wǎng)絡分類器所對應的故障原因集合；或者，

若神經(jīng)網(wǎng)絡分類器的分析結(jié)果小于或等于預設的閾值時，則根據(jù)用戶經(jīng)驗確定室內(nèi)分布系統(tǒng)的故障原因信息。

本實施例對于獲取模塊1、分析模塊2和故障確定模塊3的具體形狀結(jié)構(gòu)不做限定，本領域技術(shù)人員可以根據(jù)其實現(xiàn)的操作過程對其進行任意設置，只要能夠?qū)崿F(xiàn)上述操作步驟即可，在此不再贅述；此外，本實施例中獲取模塊1、分析模塊2和故障確定模塊3所能實現(xiàn)操作步驟的具體實現(xiàn)過程和所達到的技術(shù)效果與上述實施例中步驟S101-S103、S1011-S1013、S10131-S10132、S1021、S1031-S1032的具體實現(xiàn)過程和所達到的技術(shù)效果相同，具體可參考上述陳述內(nèi)容，在此不再贅述。

本實施例提供的室內(nèi)分布系統(tǒng)的故障推理裝置，通過獲取模塊1獲得特征參數(shù)向量，分析模塊2通過該神經(jīng)網(wǎng)絡分類器對特征參數(shù)向量進行分析，確定分析結(jié)果數(shù)值最大的神經(jīng)網(wǎng)絡分類器，從而故障確定模塊3根據(jù)該神經(jīng)網(wǎng)絡分類器即可確定室內(nèi)分布系統(tǒng)的故障原因信息，可以有效對室內(nèi)分布系統(tǒng)所出現(xiàn)的故障進行快速檢測并分析，有效地提高了對室內(nèi)分析系統(tǒng)的故障進行檢測的效率和準確率，并且降低了人力物力，提高了該故障推理裝置的實用性，有利于市場的推廣與應用。

在上述實施例的基礎上，繼續(xù)參考附圖5可知，本實施例將獲取模塊1設置為還用于：還用于在獲得多個訓練結(jié)果之后，對訓練結(jié)果進行分析處理，獲得向量機判別函數(shù)；

裝置還包括：

學習模塊4，用于根據(jù)向量機判別函數(shù)判斷是否對與向量機判別函數(shù)所對應的故障信息進行學習。

進一步的，將學習模塊4設置為具體用于：

若基于特征數(shù)據(jù)下的向量機判別函數(shù)大于0，則確認對該特征數(shù)據(jù)所對應的故障信息進行學習，和/或，根據(jù)所述特征數(shù)據(jù)所對應的故障信息更新所述神經(jīng)網(wǎng)絡分類器；或者，

若基于特征數(shù)據(jù)下的向量機判別函數(shù)小于或等于0，則直接獲取預先存儲的與該特征數(shù)據(jù)相對應的故障信息。

本實施例對于學習模塊4的具體形狀結(jié)構(gòu)不做限定，本領域技術(shù)人員可以根據(jù)其實現(xiàn)的操作過程對其進行任意設置，只要能夠?qū)崿F(xiàn)上述操作步驟即可，在此不再贅述；此外，本實施例中獲取模塊1和學習模塊4所能實現(xiàn)操作步驟的具體實現(xiàn)過程和所達到的技術(shù)效果與上述實施例中步驟S201-S202、S2021-S2022的具體實現(xiàn)過程和所達到的技術(shù)效果相同，具體可參考上述陳述內(nèi)容，在此不再贅述。

本技術(shù)方案提供的室內(nèi)分布系統(tǒng)的故障推理裝置，可以準確有效地確定室內(nèi)分布系統(tǒng)的故障原因等信息，并且操作簡單，判斷準確，克服了現(xiàn)有技術(shù)中存在的效率低、工作量大、耗費大量人力物力以及故障原因經(jīng)常被淹沒的問題，進而有效地提高了該故障推理裝置的實用性，有利于市場的推廣與應用。

在本發(fā)明所提供的幾個實施例中，應該理解到，所揭露的裝置和方法，可以通過其它的方式實現(xiàn)。例如，以上所描述的裝置實施例僅僅是示意性的，例如，單元的劃分，僅僅為一種邏輯功能劃分，實際實現(xiàn)時可以有另外的劃分方式，例如多個單元或組件可以結(jié)合或者可以集成到另一個系統(tǒng)，或一些特征可以忽略，或不執(zhí)行。另一點，所顯示或討論的相互之間的耦合或直接耦合或通信連接可以是通過一些接口，裝置或單元的間接耦合或通信連接，可以是電性，機械或其它的形式。

作為分離部件說明的單元可以是或者也可以不是物理上分開的，作為單元顯示的部件可以是或者也可以不是物理單元，即可以位于一個地方，或者也可以分布到多個網(wǎng)絡單元上。可以根據(jù)實際的需要選擇其中的部分或者全部單元來實現(xiàn)本實施例方案的目的。

另外，在本發(fā)明各個實施例中的各功能單元可以集成在一個處理單元中，也可以是各個單元單獨物理存在，也可以兩個或兩個以上單元集成在一個單元中。上述集成的單元既可以采用硬件的形式實現(xiàn)，也可以采用硬件加軟件功能單元的形式實現(xiàn)。

上述以軟件功能單元的形式實現(xiàn)的集成的單元，可以存儲在一個計算機可讀取存儲介質(zhì)中。上述軟件功能單元存儲在一個存儲介質(zhì)中，包括若干指令用以使得一臺計算機設備(可以是個人計算機，服務器，或者網(wǎng)絡設備等)或處理器(processor)執(zhí)行本發(fā)明各個實施例方法的部分步驟。而前述的存儲介質(zhì)包括：U盤、移動硬盤、只讀存儲器(Read-Only Memory，ROM)、隨機存取存儲器(Random Access Memory，RAM)、磁碟或者光盤等各種可以存儲程序代碼的介質(zhì)。

本領域技術(shù)人員可以清楚地了解到，為描述的方便和簡潔，僅以上述各功能模塊的劃分進行舉例說明，實際應用中，可以根據(jù)需要而將上述功能分配由不同的功能模塊完成，即將裝置的內(nèi)部結(jié)構(gòu)劃分成不同的功能模塊，以完成以上描述的全部或者部分功能。上述描述的裝置的具體工作過程，可以參考前述方法實施例中的對應過程，在此不再贅述。

最后應說明的是：以上各實施例僅用以說明本發(fā)明的技術(shù)方案，而非對其限制；盡管參照前述各實施例對本發(fā)明進行了詳細的說明，本領域的普通技術(shù)人員應當理解：其依然可以對前述各實施例所記載的技術(shù)方案進行修改，或者對其中部分或者全部技術(shù)特征進行等同替換；而這些修改或者替換，并不使相應技術(shù)方案的本質(zhì)脫離本發(fā)明各實施例技術(shù)方案的范圍。