基于粗糙集神经网络的应用层故障诊断系统

《基于粗糙集神经网络的应用层故障诊断系统》由会员上传分享，免费在线阅读，更多相关内容在工程资料-天天文库。

1、基于粗糙集神经网络的应用层故障诊断系统为解决计算机X络应用层故障诊断问题，设计了一个基于粗糙集神经X络的故障诊断系统，详细描述了系统的结构、粗糙集神经X络的构造和训练方法，并通过仿真验证了该方法的有效性。关键词：应用层；故障诊断；粗糙集；神经X络；遗传算法　　X络技术的飞速发展为各种以X络为基础的应用和业务提供了很好地环境，但同时对X络服务质量、X络管理功能提出了更高的要求。尤其在X络应用层，新的X络应用不断涌现，配置方法多样且不断更新，故障诊断变得非常复杂。1系统结构　　本文设计的基于粗糙集神经X络（RSNN）的应用层故障诊断系统由三大模块构

2、成：事件产生器、RSNN训练模块和RS诊断模块。　　事件产生器从X络中捕获X络应用层数据流，通过分析X络应用层记录，提取每条X络连接的特征信息，对这些特征信息进行预处理，得到RSNN的输入向量形式；如果系统处于RSNN训练模式，系统将X络事件存入训练事件库，RS规则提取子模块从训练事件中提取RS规则，并且由初始RSNN构造子模块构造出初始的RSNN，RSNN训练子模块利用遗传算法完成对RSNN的训练，并将训练好的RSNN存入RSNN库；如果系统处于诊断模式，RSNN诊断子模块从RSNN库中提取RSNN完成对X络事件的诊断，并将诊断结果存入事件日

3、志库或提交给输出及相应子模块做进一步处理。2属性离散化　　实际问题的决策库中存在着大量的连续属性，在这些属性的基础上利用粗糙集理论提取出来的决策规则支持度极低，不利于实际问题的匹配。本文采用基于信息熵的方法[1]对决策表中的连续属性进行离散化，该方法是一种局部的、无监督的离散化方法，其基本思想是用类信息熵作为分割点优劣的评价标准。离散化处理后，提取出的规则能有效处理现实问题，并大大减少处理时间。3初始RSNN的构造　　利用遗传算法计算r-近似约简的方法[2]提取决策表中的规则，该方法比一般约简算法和应用较广的动态约简算法具有高的性能，并且得到的

4、规则更少。在提取到的规则的基础上通过下述方法构造初始RSNN：　　输入层神经元个数的等于属性约简中属性的个数，隐含层神经元个数等于决策规则数，即每个隐含层神经元对应一条规则。输出层神经元个数对应决策类型数。各层之间的连接关系由决策规则确定。　　输入层神经元i与隐含层神经元j之间的初始连接权值定义为，其中为规则的支持度，L(rj)为规则rj的前件长度，为一个小随机数，；隐含层神经元j和输出层神经元k之间的初始连接权值定义为，其中，为规则rj与输出神经元k所表示的决策结果相关的子决策的信念，R(rj)为规则rj的后件长度。4基于遗传算法的RSNN训

5、练　　BP算法是基于梯度下降法的，具有易陷入局部极小、收敛速度慢和易引起振荡等缺点，而利用遗传算法的全局最优搜索可较好地上述问题。过程如下：　　（1）生成初始种群：将初始粗糙集BPX络的每一个可能的连接及其权值编码成一个9位二进制字符串。其中，第一位为连接标识位，表示相应连接是否存在；后8位是连接权值的二进制数编码。　　由初始X络直接生成的二进制字符串称为基本串，其中的连接称为基本连接，其余连接称为扩展连接。在基本串的基础上，对扩展连接进行蒙特卡罗采样（最多有1/10个连接的标识改变），生成N-1个二进制串，构成大小为N的初始种群，其中每一个串

6、称为一个个体。　　（2）根据X络误差函数和X络结构确定遗传算法的适应度函数：定义个体bi的适应度函数为，其中，Ei表示由bi所代表的X络对训练样本的平均误差，D为X络中所有可能的连接总数，di为个体bi所代表的X络中的实际连接总数；和为权重系数。　　（3）交叉选择：定义个体选中概率为，利用轮盘赌模型对个体进行选择。　　（4）交叉：对选中个体实施多点交叉。交叉点间距设为5-14的随机整数，交叉概率设为0.7。若交叉后个体适应度优于种群中最差个体，则交叉成功，用交叉后个体替代原个体；否则，重复步骤（3）（4）。　　（5）变异：在产生的种群中选择一个

7、或多个适应度低的个体变异。变异概率取值在0.4-0.01之间。若变异后个体优于变异前种群最差个体，则变异成功，并用变异后的个体替代原个体；否则，重复步骤（5）。　　（6）全局最优收敛：当最优个体的适应度达到给定阀值，或最优个体适应度和群体适应度不再提高时，则算法结束。5实验与仿真　　为保证对检测算法评测的有效性和权威性，选用KDDCUP99数据集进行实验仿真。按等间隔选取数据，共选取10%训练数据集中的1/5作为训练数据，从剩余10%的训练数据集中选取一半作为第一组测试数据，选取原10%测试数据集的一半作为第二组测试数据，包含一些新种类的数据。

8、从实验结果如下表，可以看出，将RSNN运用于X络故障检测中取得了良好的效果。数据集样本数正确率误报漏报训练数据988040.99910.00030.0