通信工程论文 通信网络中故障数据优化检测仿真研究

Posted 2022-07-18 指导毕业设计Monkey

通信网络中故障数据优化检测仿真研究

专业：通信工程

2022年5月
论文题目：通信网络中故障数据优化检测仿真研究
学科专业：通信工程

摘 要
在对通信网络之中的故障数据进行检测时，考虑到在通信网络之中包含了大量的数据，并且彼此之间的差异性也是巨大的，这也就导致了相关检测数据关联性相对来说较低。如果使用传统的网络故障数据检测方式时，针对低关联性环境下时，需要一定的先验知识才能够确定相关的参数，这也就导致故障数据检测结果精度比较低。因而，在此的前提之下，本文阐述了一种基于最小最大概率机（MPM）的故障数据高效率检测办法，并且详实地分析了最小最大概率机算法它的基本理论，随后再对最小最大概率机这种算法进行了一定程度上的改进与扩展，使之能够顺利转换成了单类问题的最小最大概率机，从而能够实现了挖掘实际通信网络中蕴含的故障数据。该方法是通过计算得到目标优化函数之中参数的最优解，随后依照之前得到的最优值来构造函数，从而判断新测试数据是不是故障数据，最终以实现通信网络中的故障数据的精准而又高效的检测。
关键词：通信网络；故障数据；高效检测；MPM算法

Thesis Title: Simulation Research on Optimal Detection of Fault Data in Communication Network
Major: Communication Engineering
Applicant: Han chengxiao
Instructor: Lin Hongwei
Abstract
When detecting the fault data in the communication network, considering that the communication network contains a large amount of data, and the differences between them are also huge, this also leads to the relative correlation of the detection data. lower. If the traditional network fault data detection method is used, certain prior knowledge is required to determine the relevant parameters in a low-correlation environment, which leads to a low accuracy of fault data detection results. Therefore, under the premise of this, this paper expounds an efficient detection method of fault data based on the minimum maximum probability machine (MPM), and analyzes the basic theory of the minimum maximum probability machine in detail, and then analyzes the minimum maximum probability machine algorithm. It has been extended to a certain extent to convert it into a min-max-probability machine for single-class problems, so that the fault data in the actual communication network can be mined. The method obtains the optimal solution of the parameters in the objective optimization function, and then shapes the function according to the obtained optimal value, thereby judging whether the new test data is fault data, and finally achieves efficient and accurate detection of fault data in the communication network.
Keywords: Communications network; fault data; Efficient detection; MPM algorithm

目 录
摘 要
Abstract I
第1章 绪论 1
1.1 研究背景与意义 1
1.2 国内外发展现状及趋势 1
1.3 本文主要研究内容 2
第2章 通信网络中故障数据检测原理 4
2.1故障数据的数量化定义 4
2.2 传统故障数据检测模型及其弊端分析 4
2.3 基于最小最大概率机算法的故障数据检测模型 5
2.3.1最小最大概率机 5
2.3.2 最小最大概率机原理 6
2.4 本章小结 7
第3章 基于最小最大概率机的故障数据检测模型的仿真 8
3.1 单类最小最大概率机的故障数据检测模型的实现流程 8
3.2 基于Python的模型实现 8
3.3 实验结果 12
3.3.1 仿真速度 12
3.3.2 仿真精度 13
3.4 本章小结 17
第4章 结论 18
参考文献 19
致 谢 20

第1章 绪论
1.1研究背景与意义
近年来通信网络的迅速发展与广泛应用，社会各界都对这个的要求自然也是水涨船高。因而对故障数据的检测这是非常有意义的，自然而然的成为各界学者研究中的王冠上的钻石[1]。这直接导致了故障数据优化监测技术的不断向前进步与发展。现如今，故障数据优化监测在各个领域都有着举重若轻的作用[2]。就例如其在卫星通信网络中的应用，给人以耳目一新感觉。因此本课题针对基于最小最大概率机的原理出发，进而引出了通信网络故障数据的一种高效检测技术，其相比于传统监测技术而言,不仅仅是运算速率有了显著的提高,更为重要的是检测故障数据的精度也是大幅度的增加等等[4]。
故障数据优化监测不仅是在通信网络各个领域占了很重的地位，但是在其他领域还远远不能够满足领域的需求，因此它自身也需要不断的创新与提升适应社会的需求，所以将来会得到更加广泛的发展以及应用。作为通信网络中比较重要的一部分，也是我们的应该重点学习的内容[5]。
现如今的社会正在经历百年未有之信息大发展引起的巨大变革，较传统的互联网、移.动物联网、智能监控、医学中的影像以及经济金融等等，这些行业每时每刻都会有大量数据生成，.并且数据在这些众多行业中，数据分析往往是可以让这些东西能产生很大经济效应的。除此外在工业生成的过程之中，.监控系统的不断运行也是同样会生成了巨量的高维数据的，那么我们应当如何去发掘蕴含于数据中的有效信息就不言而喻的成为一个重要的课题，因此在数据需求的驱动之下的故障.诊断技术吸引着社会各界广泛的兴趣。
随着近现代通信技术水平的越来越好,通信工程系统中的复杂性指数上涨，系统的可靠性以及其安全性已成为保障经济增长和人民福祉的一个至关重要的因素，因此也是受到了各行各业乃至国家层面的高度重视。在国内外故障监测技术的快速发展下,以及国家对现代通信网络工程的大力帮扶与鼓励、产业结构持续调整和升级等因素等共同作用之下，故障监测行业作为新兴技术行业无疑获得迅速的发展进步，因此近年来获得较快的.增长[21]。但是与国外发达的工业国家相比之下，我国的工业故障监测技术发展历程还较短，目前尚且处于快速发展的一个阶段，目前，我国故障数据监测旨在与国际接轨,快速发展进步。
1.2 国内外发展现状及趋势
故障检测技术伴随着近百年来通信网络技术的日益成熟应运而生，并且因为现代控制理论，数字信号处理，人工智能等理论的指数式的发展，能够为通信的复杂问题的解决铺平道路。正是在技术的不断发展进步与提高产品经济效益的推动之下，通信工程故障检测.系统得到极快发展。大到影响国家运行的各大行业，小到家庭日常生活，各个方面都有它的影子[6][7]。在国际上,随着技术的不断向前进步，故障检测技术无疑在通信过程中是不可或缺的，共同探究如何能在通信之中引进以及优化故障检测问题，国际科学家自然是走在科技最前端的一批人。他们此时也开始着手探究过程故障检测，这表明故障检测在现在以及将来势必会成为工业中必不可缺少的重要部分；而在国内，随着改革开放政策的进一步实施优化，.为了能够吸引外资，引进先进技术，提高.国家国民生产值，在科学技术这一方面，为了顺应国际的潮流，以及加紧提高人民的生活.水平。国内相关的一些学会也不示弱，专门成立了相关的部门，并且定期召开会议。这为我国在通信工程方面无疑做出了指导性的作用[8]。
随.着通信技术的迅猛发展，故障检测的技术也被广泛关注而因此提上日程。伴随着控制系统的日渐复杂精细化以及网络技术的迅猛发展,二者结合的产物网络化控制系统自然而然就吸引了人们越来越多的注意力。而作为提升系统安全性和可靠性的一项非常重要的技术,故障检测也逐渐成为控.制领域的研究风口之一。因此本文针对于网络化控制系统之中存在的各式各样的典型问题,阐述了其相应故障检测技术的最新进展情况[9]。
1）传统故障检测技术
在刚开始研究得出的故障检测技术时，存在一定的缺陷是在所难免的。在生产环境中，由于通信网络工程所面对的是一个复杂的系统。由于在样本采样的过程中，我们很难得到我们所采集的数据样本之间到底有着怎样的联系，因此再建立一定的系统的数学模型[10]。在建立模型的过程中我们可能会发现，系统的数学模型要么不存在要么就是建立起来太过复杂，存在着噪音干扰，并且还具非线性等特征，这使得系统很难得到较为准确满意的结果。因此传统的故障检测技术也存在着一系列的缺陷，在实际复杂的系统中可能是无法发挥其作用的。需要进一步的研究得到更加准确的方法，从而能解决复杂系统下出现的众多问题[11][12]。
然而科技的进一步发展，有缺陷就必须再研究发展技术。因此最小最大概率机故障数据优化监测映入人们的眼帘[13]。最小最大概率机故障数据优化监测从传统的检测技术发展而来，必定会在故障检测方面更加全面，.更适应复杂的通信网络工程环境[14]。
2）最小最大概率机故障检测技术
二十一世纪以来，科技的指数型飞跃,数据早飞入平常百姓家，逐渐地成为了现代生活中的各类领域与各式行业中极为重要生产要素。但是如果是采用数据驱动的办法，来对收集整理得到的某些个问题的数据集合来进行分类判别的话，虽然可以快速而有效地处理掉这些数据内容,挖掘出它的潜在价值信息[15]。但是对于传统的分类判别办法这就需要我们提前假设研究问题的数据集是否要服从高斯分布,但是这一假设在实际生产生活中这往往是没办法得到一定保证的。因此，本文不同于传统，采用了最小最大概率机希望能够很好的解决该类问题，为后人提供了一种行之有效的方法[16][17]。
现如今通信网络系统而言，往往兼具复杂化与超大型化等等特点，这种系统的运行监测系统过程会导致产生了巨量的高维数据。人们可以利用数据驱使的故障诊断办法可以行之有效地处理这些生成的复杂高维数据,去发掘里面的有效的故障信息。同时为安全生产与高效生产给予帮助[18]。但是对于传统的数据驱动故障诊断办法，其也是需要假设数据符合高斯型分布，然而这个假设是极其不符合生活实际的[19]。本文因此阐述了一种最小最大概率机故障诊断方法希望来解决这一类问题，并且还结合了实际通信之中的特点对该类办法进行了一定程度改进。
故障检测技术的发展瓶颈问题其实早已日渐的突出明朗，由于故障监测技术其实是一门与生产实际结合非常紧密的工程科学,是社会现代化发展的一个伴生物，故障监测技术虽然起源于美国和欧洲等工业国家，我国的故障监测产业也起步较晚，但经过多年快速发展，该领域从技术理论到.应.用实践都取得了巨大的进步[20]。

1.3 本文的研究概述与章节安排
本文重点探究了最小最大概率机故障检测技术，并详细地分析了传统检测技术与MPM检测技术的优劣，使用Python对来MPM算法进行仿真和实现，并对该算法进行了性能上的一个分析。主要做的工作包括如下：
1）翻阅大量国内外的相关文献资料，了解明白本课题的一个发展现状以及发展趋势，明确本次毕设的最终的设计目标，提出设计要求。
2）熟练学习、使用Python等编程软件，从而掌握Python程序的编纂。然后再对相关的系统功能模块进行程序代码的编写。
3）通过设计本课题的系统功能的要求，学习最小最大概率机的相关理论知识与程序，并在Python中编写程序，让程序能够正确运行。
4）实现通信网络中故障数据的优化检测，体现出其高效与精确。

第2章 通信网络中故障数据检测原理
2.1故障数据的数量化定义
首先需要在通信网络中引进了故障数据的相关定义。就比如在实际卫星通信网络中，面临要处理的数据是其实都以二维数据表的这种形式而存在的，依照E．Knur与R．Ng的观点，对相关的故障数据的定义就是，在整个数据的集合中的一个故障数据，有较为多的数据偏离了该个数据，至少是占比100％ ，而接近这个个数据的数据是相对少，最多是占了100％。因此，本质之上，对于卫星通信网络之中的故障数据其就是相对而言孤立的数据，也就是该数据集在其邻域范围内包含有的数据非常少。
在通信网络之中，将基本表中的所有记录点称之为原始点，对全部记录值进行一定程度的处理之后，可以将其转换成数值型的数据，当前的原始点一般而言就被称作为量化点，随后通过对其中需进行比较的数据可以进行进一步的缩减，最后所得到的量化点即被称之为效用点，用进行表示，其中=1，2，⋯ ，n，包括了所有的效用点的集合一般就可以叫作一个效用点集，其一般可以用来进行描述。并假设两点之间的距离为,有：
(2-1)
其中，k一般情况下为正整数。
还做如下定义：
针对中的某点，可以给出一个较为小的数δ>0，然后如果中的某点能够符合<δ，则就将称作是点的一个δ邻近点，进而就称全部δ.邻近点的集合是这个点的δ.邻域。
针对中的某个点，可以先设定一个经验临界值名然后假设点 的δ邻域的中点含有的数量是 ，如果存在有 ，则可将该点称作是的一个故障点，换句话说它就是原始点集中的一个故障点，可以记作。
2.2 传统故障数据检测模型及其弊端分析
主流传统的故障数据检测技术唯以基于距离的故障数据检测为上，其过程可阐述如下：
1)先对通信网络数据库之中得到的基本数据表需进行一个预处理操作。一般根据字段的其自身属性将记录的值转换成为数值型的效用值。如果假设在基本表中含有n条记录的存在，则第t个数据它的记录值那可表示为 s=1，2，⋯ ，n，t=1，2，⋯ ，m。
但如果记录值本身就为数值型数据，则处理方法如下所示：
(a)越大愈好型。假设 ：, 将转换成， ，则最大值就成了效用值1，而最小值自然而然成了效用值0咯；
(b)愈小越好型。 ，这与上述过程有出入，相反，它是最小值对应着有效值1，而最大值则是对应着有效值0的。
©适中型。该种类型的数据其实是居中最好，不偏不倚。假设最佳的适中值可用来描述，则就应该有：
(2-2)
在此情况下如果当前数据靠近适中值那么效用值非常之大，则效用值趋近于1，如果数据远离适中值效用值比较小，效用值则会趋近于0。
如果记录值其并非是数值型的这类数据，则就需要我们通过白化值等这样的形式完成对其进行转变，也就是说可以将某一定性的指标转为成某一数值来和之相互对应。
此外如果记录值其属于一些特殊的情况，比如无记录等等，那么可通过某些特殊的数值，例如0或1来与之相应。
对数据进行预处理之后，随即可以其获取效用点集UD，用效用点，i=1，2，⋯，n进行描述，从而获取点集；
2)求出效用点之间的距离
（2-3）
一般k取2。
3)针对任意一点，给出一个较小的正数δ>0，对<δ的总数进行统计，用进行描述。全部符合条件的点组成点的δ.邻域，用于描述点的δ.邻域中的点数，1 ≤pn；
4)给出经验临界值，如果，那么该点是距离意义下的D(δ，)故障点。
由于卫星通信网络中的数据量是非常大，并且数据之间的差异性不可言语也是非常大，而上述我们的分析的正是依靠的是距离故障数据监测模型，这种模型其主要客户是相关性很强的数据集合，并且确定相关参数也需要很多理论知识，故而往往模型适应性是较差的，正是由于此，本文才提出了一种模型基于的是最小最大概率机。
2.3 基于最小最大概率机算法的故障数据检测模型
2.3.1最小最大概率机
最小最大概率机（MPM）最先由Lankiest等人阐述，最初这是一个基于概率表示的类分技术，其相对于传统精确化的分类器而言，最小最大概率机办法利用的是概率约束来进行表示。最小.最大概率机就是在给定源数据的方差与均值之后，我们可以得到一个非常确定的下界关于误差，然后再通过极大化这个可分概率来求解最后最优结果，因而可将这个概率问题转化成为一个只需要用到均值和方差就可以优化求解的简单问题。此外应该注意的是，最小最大概率机它其实就是一种数据自由分布的算法，即其在数据分布形式上面并不需要人为的去做任何的情况下的前提假设。这种迷人的优点其非常适合于大数据年代的过程数据分析，因为对大规模或者是很混乱的过程中数据分布估计往往其实就是密集劳动型的，这就异常的耗费人的时间。
此外，于最小最大概率机之中，所作的基本假设就应该是不同类别的可分概率是相等的。Huan等人提出了的最小误差最小最大概率机办法，也设定每一个类别都有各自不相同独立的可分概率，因此而言目标函数也就顺利转变为各个类别的可分概率加权的这种形式，我们当然也可以说这个最小最大概率机其实是一种较为特殊的形式的最小误差最小最大概率机。
最小最大概率机其实是一个线性的分类器，但是由于Lankiest等人的努力，使用了kernel MPM办法对这个问题进行了处理使之泛化，从而使之可以轻易适用于各类的非线性分类中。进一步Stroehmann等人在此基础之上将最小最大概率机进一步拓展成为了一种回归方法。而Bhattacharyya等人则将最小最大概率机首次应用到了特征提取上，效果很好。Ghoul等人将最小最大概率机应用到了异常检测，也是取得了显著的效果。这主要针对的是数据集中有可能存在聚类的这个特点，Gu则在此基础之提出了结构化的内容，最小最大概率机针对的即是判别分类优先程度不相同的需求，另外Huan使用此方法用来进行某些疾病的诊断。
日前，无论是对最小最大概率机她的泛化研宄，亦是将最小最大概率机结合实际具体的需求的调研，都是取得了显著的成效的。并且在人脸识别和生物医学工程等等实际复杂问题中，最小最大概率机应用效果很好。然而目前的最小最大概率机方法无疑还是面临巨大挑战。首先对于最小误差最小最大概率机方法，目标函数比较的复杂，优化难度很大。另外还没有最小最大率机方法处理数据的相关性问题，这在其应用于的工业和金融等等专业领域时就存在有特别明显的弊端坏处。
2.3.2 最小最大概率机原理
本小节将会详细地介绍最小最大概率机算法（MPM）的流程，并详细地分析了为什么该算法并不需要数据分布符合高斯型假设的具体原因。如果我们去考虑一个二分类问题，可分别用两个随机变量和来表示这两个类的条件数据分布，它们的数据的均值可以用来表示，协方差则一般用表示。要想解决二分类问题那就是希望找到一个分类的超平面，这样，当再对一个新数据再进行分类时，就可以利用之前划定的超平面来进行数据分类。
依据最小最大概率机算法（MPM），我们可以不用再对这两个类别的数据做出类型分布的一个假设，而是只需假设两个类别的数据它本来就是就是最差的分布情况。在这种最差分布情形之下，分类产生的误差是，随即再可极小化这种最坏情况之下的误差。这其实也就是该分类器之所以能够被叫为最小最大概率机的一个原因，然后可分概率就可定义为，那么对于极小化误差而言也就是相当于是把这个可分概率极大化。综上应用最小最大概率机去解决二分类问题的思路我们就可以用式（2-4）来表示：

                  (2-4)

该优化问题的难点其实主要是在于其约束为概率化约束，没有等式，就很难对其进行求解。但是可以在Marshall和Olkin研究之中又可以得到一条极为重要可以利用的结论：
 (2-5)
这个结论其实告诉我们它并不需要假设数据是否服从高斯型分布或是其他的特殊类型的分布，这其实算是该算法属于数据分布自由算法的一个重要的原因。故而式（2-4）可以应用了该条结论可以对概率化约束顺利进行优化化简如下：

        (2-6)

其中,如果将ｂ作为一个中间变量，随即可以对式（2-6）中约束做进一步的简化：

              (2-7)

式（2-7）中的第二个约束条件其实是并不会改变向量的投影方向的，因为其只是对向量的模进行了简单的一个限定，因此也不会影响类分的最终结果。而极大化目标k也就是相当于是极小化第一个约束中的不等式右边项，故而我们最终可以将k消去了，而得到一个所谓的凸优化问题：

                      (2-8)

这是一个二阶锥规划问题,其最差情况之下的复杂度无非是是，这个复杂度大致与线性SVM问题的复杂度是基本相等的。我们在最终求解最小最大概率机的优化问题的过程之中，后面引用了一则并不需要假设数据是否服从高斯型分布亦或是其他条件的特殊分布的结论来进行了推导，使之转化成仅仅只需求出方差以及均值就可以求解计算的所谓的凸优化的形式，而其可分概率同样可以用等式的表示如式（2-9）：
(2-9)
2.4 本章小结
本章主要是阐述了在通信网络中如何定义故障数据以及传统的基于.距离的故障数据检测技术，并且简单分析了距离检测的弊端，随后本文再引出了.最小最大概率机（MPM）的故障数据快速高效检测模型。并阐述了MPM算法的发展历程以及其相关的一些原理。

第3章 基于最小最大概率机的故障数据检测模型的仿真
3.1 单类最小最大概率机的故障数据检测模型的实现流程
我们从第二章的分析中不难看出，MPM算法主要是用来解决2类分类问题的，而卫星通信网络中故障数据的检测问题其实并没有很复杂，为单类问题，因此，这就需我们对MPM进行一定的简化与扩展，将其转换成为单类最小.最大概率机。
单类检测这类问题其实可以被归纳为概率分布的估计问题，也就是针对的是对于∈(0，1]，可以我们求出一个能符合Prx∈Q=的区域Ω，若α的值无限趋近于1，则就可以近似相当于是故障数据的检测问题了。在实际的卫星通信网络中，数据集中绝大部分数据正处于区域Ω内部的，因此处于区域Ω之外的数据则就可看作是故障问题数据。故而，针对给定卫星通信网络总的数据与概率α(0，1)，单类MPM算法其旨在寻找一个半空间区域，使得能够以最小的概率将整个数据包含在区域的内部。最终，单类MPM的优化目标如式（3-1）所示:
(3-1)
其约束条件则可表示为：
(3-2)
由于上述单类MPM问题的优化函数就可认为是MPM的简化形式了，也就是Y~(0，O)，因而，通过上述MPM的推导过程可以得到，a．b的最优值可描述成下式：
(3-3)
(3-4)
针对于新的通信网络中测试数据，若，则数据即为相对于区域Ω的故障数据。并且依照式(3-2)，可得数据z位于区域Ω外的最坏概率是(1-)。
依照最小最大概率机（MPM）的通信网络中故障检测技术的具体实现流程如下：
1)首先求出的均值和方差，依据式(3-1)可以塑造出与∈(o，1)的单类MPM目标优化函数。
2)通过式(3-3)与(3-4)求解出优化目标函数中两个参数的最优解。
3)通过最终求解所得到的优化值来塑造函数，判断新测试数据是不是故障数据。
3.2 基于Python的模型实现
为了能够有效验证本文所提出的基于最小最大概率机（MPM）的数据高效检测方式的有效性，需要.对其进行相关的实验分析。本文利用了Python编程来实现了此次仿真，由于没有数据，故而采用高斯分布随机生成的数据进行仿真实验， 并且为了较好的分析整个实验结果，数据也并没有选择高维数据，而是使用了二维数据。其代码在附录1中。
其算法流程如下所示：.
1）首先依照高斯分布来生成用于训练且标注为正确的数据集X；.
2）生成用于检验的错误样本data1和正确样本data2。
3）利用步骤1中生成的数据集X，具体结合公式用来计算、。
4）利用生成的、判别错误的样本x，样本属性，若f=>0，则判别为正确样本，f=<=0，则判别为错误样本。根据用于检验的错误样本数量errornum，以及判别为错误样本的数量num计算出检测错误样本正确率num/errornum。
5）同理，根据用于检验的正确样本数量correctnum,以及判别为正确样本的数量cnum计算出检测正确样本正确率cnum/correctnum。
3.3 实验结果
3.3.1 仿真速度
实验中选取了包含有10、20、30、40、50、60、70、80、90、100个错误的样本进行了.多次实验，得到其检测所需时间如下表3-1所示：
3-1 MPM模型运行所需时间
故障数据的个数 运行时间/s
20 0.015583
30 0.031204
40 0.031243
50 0.046836
60 0.046904
70 0.078146
80 0.078562
90 0.085123
100 0.093693
分析表3-1可知，随着的故障数据逐渐在增加，样本的数量也是在不断增加的，因而导致了模型的运行时间也会逐渐增加，然而从整体上看来，本文模型的计算效率还是比较高的，100个故障数据也能保证了检测时间在0.1s以下，着就能够阐明本文模型的具有的高效性。
3.3.2 仿真精度
本次仿真为了便于最后的观察与分析，并没有选择高维数据来进行实验仿真，而是选择了二维数据来运行，因而可知在二维图像之上可以观测出数据是否能被正确检测出或者误检。本次实验一共得到了9组数据，其得到的图像如下所示：
图3-1 包含20个故障数据的MPM检测图
图3-2 包含30个故障数据的MPM检测图
图3-3 包含40个故障数据的MPM检测图
图3-4 包含50个故障数据的MPM检测图
图3-5 包含60个故障数据的MPM检测图
图3-6 包含70个故障数据的MPM检测图
图3-7 包含80个故障数据的MPM检测图
图3-8 包含90个故障数据的MPM检测图
图3-9 包含100个故障数据的MPM检测图
依据上述结果图，其中圆点代表正常数据，正常数据被误检测用不用颜色标出，星号代表错误数据，错误数据被误检测也用不同颜色标出，而横线代表超平面，根据这九组仿真结果图，可以做出在不同故障数据之下，检测结果精度表格如表3-2所示。
表3-2 MPM模型检测精度
故障数据的个数 所检测出的故障数
20 19
30 29
40 39
50 49
60 56
70 65
80 78
90 87
100 98

从表3-2中的数据来看，MPM算法所能检测出来的故障数据率是比较高的，9组实验故障数据的正确率均在90％以上，而对于传统模型来说，几乎是不可能达到如此高的正确率的。因而验证了本模型的精度。
在MPM检测得到二维图中，其中圆点代表着正常数据，而三角形数据为故障数据，直线.就代表着MPM所划定的超平面，从各组数据所得到的图像上面来看，由于存在未标记样本这样的的约束，MPM算法其实只会依靠标记样本的分布来划定最终的超平面，这无疑也是存在误差，那么靠近超平面的数据自然而然的有着被误分的可能性。因而如果想减小误分几率，既可以增大训练样本的数据，同时也可以继续对最小最大概率机算法进行改进提升，使之划定的超平面更接近真实的分类超平面。
3.4 本章小结
本章主要阐述了如何将MPM算法拓展成为单类最小最大概率机问题，并且介绍了它的具体实现流程，随后再基于Python进行了编程，运行了多组仿真，也得到了多组数据，从而分析不同情况下的实验结果，最终验证了模型的有效性，同时具体也分析了其存在的缺陷。

第4章 结论
本文总结了传统的基于距离的故障数据检测技术，由于实际的卫星通信网络中数据量非常之大，.并且也不能忽略数据与数据之间的差异性，而对于基于距离的.故障数据检测模型来说，由于其往往主要针对的是相关性比较强的数据集，并且确定相关参数也是需要很多理论知识，无疑是导致模型的适应性差的主因，因此，本文就提出一种基于最小最大概率机（MPM）的故障数据高效检测技术。并深入阐述了最小最大概率机（MPM）的一些基本理论知识，并总结了该算法的优缺点，在此的基础之上对MPM算法进行了一定程度的拓展，使之转变为单类最小最大概率机问题，用以适应具体问题中的故障检测的要求。通过公式来求取目标优化函数中的参数的最优解，随后依照得到的最优值塑造出函数，根据函数来判断新的测试数据是否为故障数据，从而最终实现通信网络中的故障数据的高效检测。本文最终是采用了Python来编程仿真，仿真的结果最终也能表明：
（1）相较于基于距离的故障数据检测技术而言，运用MPM算法所需要的时间更短，这提升了检测的效率。
（2）采用MPM算法所检测的故障数据正确率均是在80％以上，与其他检测方法相比，正确率有一定的提高，这也阐明了本文模型相较传统模型拥有着更加高效的故障数据检测精度，无疑佐证了本文模型的有效性。
（3）由于存在未标记样本这样的的约束，MPM算法其实只会依靠标记样本的分布来划定最终的超平面，这无疑也是存在误差，那么靠近超平面的数据自然而然的有着被误分的可能性，这也是未来改进进步的一个方向。

参考文献
[1]李炳乾.对等P2P网络中大数据关鍵特征挖掘模型仿真[J].计算机仿真，2014 ,31(11) :294-296.
[2]WONY J，CH0I Mi Jung，HONG J W. Fault detection and diagnosis in IP based mission critical industrial ， process control networks [J]. IEE Communications Magazine，2008 ，46 ( 5 ) : 172：180.
[3]基于大数据分析的船舶通信网络优化研究 袁明兰，龙颖 - 《舰船科学技术》
[4]AMOOEE Gloriz，MINAEI BIDGOLI Behrouz BAGHERI DEHNAVI Malihe. A comparison between data mining prediction algor items for fault detection [J]. IJCSI International Journal of Computer Science Issues 2011，8(3 ) : 425:431.
[5]东晨,张宁,赵文亮.卫星导航系统数据传输优化技术OPNET仿真[J].现代雷达, 2012 ,34(7):71-73.
[6]ALZGHOUA，LOFSTRAND M. Increasing availability of industrial systems through data stream mining [J].Computers & Industrial Engineering ，2010 ，10 ( 31 ) : 743:748.
[7]通信网络中故障数据优化检测仿真研究 修雁，陈立军 - 《计算机仿真》
[8]光纤通信网络中故障优化诊断方法仿真 李妍琰，何勇 - 《计算机仿真》
[9]张小亮,等. 一种适用于卫星通信网络的端到端认证协议[J].计算机研究与发展，2013 ,50(3) :540-547.
[10]移动通信网络的监控与优化平台的设计 徐宝翠,大连海事大学,2016
[11]CHEN Kaiying，CHEN Longsheng，CHEN Muchenet al. Using SVM based method for equipment fault detection in a thermal power plant [J]. Computers Industry，2011，2(62):42:50.
[12]社交网络通信目标检测优化仿真研究 封红旗，沈田予，杨长春 - 《计算机仿真》
[13]P2P网络数据通信优化算法研究与仿真 田涛 - 《计算机仿真》
[14]基于GIS的TD-LTE无线通信网络优化及可视化仿真研究 蔡燕 - 《计算机仿真》．
[15]基于智能过程总线技术的继电保护系统可靠性研究 莫峻 - 广西大学
[16]Method and system for adjusting control policy HUANG, Sunliang，CHEN, Jianye，FAN, Chenfa ,厦门大学.
[17]网络故障诊断研究中一种优化的否定选择算法 白鹏翔，张清华，段富 - 《计算机应用研究》
[18]基于过程层通信网络的智能变电站若干技术优化 王晨 - 华中科技大学.
[19]旋翼飞行机器人故障诊断及容错控制方法研究 齐俊桐 - 《机器人学研究室》.
[20]多级神经网络的轴承故障诊断研究 衷路生，刘东东 - 计算机工程与应用 - 2020
[21]IMS网络信令流程的可视化展现及故障分析技术研究 孙丽丽，曹新智，赵连增 - 《信息通信》 - 2018

附录1 Python程序

coding=utf-8

import time
import numpy as np
import math
import matplotlib.pyplot as plt
#生成1000个2维度数据作为正确样本用来训练算法
def date_generate():
x = []
for i in range(900):#标注为正确的900个正确样本
#np.random.seed(0)
a = np.random.normal(loc=0.0, scale=1.0, size=[2])
x.append(a)
for i in range(100):#标注为正确的100个错误样本
#np.random.seed(0)
a = np.random.normal(loc=2.0, scale=1.0, size=[2])
x.append(a)
np.savetxt(“1000个样本数据.txt”,x)
return x

#用于检验的错误样本
def errordate_generate(errornum):
x = []
for i in range(errornum):
#np.random.seed(2)
a = np.random.normal(loc=2.0, scale=1.0, size=[2])
x.append(a)
np.savetxt(“100个用于检验的错误样本.txt”, x)
return x

#用于检验的正确样本
def correctdate_generate(correctnum):
x = []
for i in range(correctnum):
#np.random.seed(2)
a = np.random.normal(loc=0.0, scale=1.0, size=[2])
x.append(a)
np.savetxt(“100个用于检验的正确样本.txt”, x)
return x

def train(y,k):
# print(np.mean(y,axis=0))
y_mean=np.mean(y,axis=0)#y_mean矩阵shape为(1,50),为论文中y_mean转置
y = y -y_mean
R = np.dot(np.transpose(y), y) * 1.0 / (100 - 1)
R = np.matrix®
R = R.I
t = np.dot(np.dot(y_mean,R),np.transpose(y_mean))

a = 1.0*np.dot(R,y_mean)/(t-k*math.sqrt(abs(t)))
b = np.dot(a,np.transpose(y_mean))-k*math.sqrt(np.dot(np.dot(a,R),np.transpose(a)))
return a,b

y=date_generate()
accuracy=0.9
k=math.sqrt(accuracy/(1-accuracy))
a,b=train(y,k)
a=a.A
b=b.A

plt.rcParams[‘font.sans-serif’]=[‘SimHei’]
plt.rcParams[‘axes.unicode_minus’]=False
plt.title(“MPM 样本检测”,fontsize=30)
#画二维超平面
x1=np.arange(-3,4,0.1)
x2=-1*(a[0][0]*x1-b)/a[0][1]
x2=x2.flatten()
plt.plot(x1,x2,color=“b”,linestyle=“-”,linewidth=1,label=‘超平面’)

errornum=100
errordate=errordate_generate(errornum)
num=0#故障数据
t0=time.time()
cnum=0
for i in errordate:
f=np.dot(a,np.transpose(i))-b
if(f<=0):
if(num0):
plt.plot(i[0], i[1], color=“red”, marker=““,label=“故障数据判定为故障数据”)
else:
plt.plot(i[0], i[1], color=“red”, marker=””)
num=num+1
else:
if(cnum0):
plt.plot(i[0], i[1], color=“deeppink”, marker=““, label=“故障数据判定为正常数据”)
else:
plt.plot(i[0], i[1], color=“deeppink”, marker=””)
cnum=cnum+1

t1=time.time()
print(“检测已知的错误样本%d个，检测出错误样本%d个，占比%d%%”%(errornum,num,num/errornum*100))
print(“错误样本检测时间%f s”%(t1-t0))

correctnum=100
correctdate=correctdate_generate(correctnum)
num1=0#正确数据
t2=time.time()
cnum=0
for i in correctdate:
f=np.dot(a,np.transpose(i))-b
if(f>0):
if (num1 == 0):
plt.plot(i[0], i[1], color=“forestgreen”, marker=“o”, label=“正确数据判定为正确数据”)
else:
plt.plot(i[0], i[1], color=“forestgreen”, marker=“o”)
num1=num1+1
else:
if (cnum == 0):
plt.plot(i[0], i[1], color=“greenyellow”, marker=“o”, label=“正常数据判定为故障数据”)
else:
plt.plot(i[0], i[1], color=“greenyellow”, marker=“o”)
cnum = cnum + 1

plt.legend(loc=“lower right”)
plt.xlabel(“x1”)
plt.ylabel(“x2”)
plt.savefig(‘%d_MPM样本检测图.jpg’%errornum,dpi=800)
plt.show()
t3=time.time()
print(“检测已知的正确样本 %d个，检测出正确样本 %d个，占比%d%%”%(correctnum,num1,num1/correctnum*100))
print(“正确样本检测时间%f s”%(t3-t2))

致 谢
真是岁月如梭、光阴荏苒啊，不知不觉的大学生活已是进入了尾声，回顾自己大学生涯，收益不可谓不丰。在最后的半年磨砺，俺的毕业论文也最终要完稿了，回首自己这半年来收集、整理、思索、停滞再到最后最后的完稿的经历，雀氏有着许许多多的人帮助过俺，在此俺向他们表达最为真挚的谢意！
⾸先，在此特别感激林宏伟老师对我的指导与帮助，本次论⽂从选题到⽅案选择再到.实际的撰写，林老师都为我提出了很多的宝贵的意见和提议，这无疑为我完成论⽂提供了不容忽视的帮忙，并且林老师在提纲设计、开题撰写的过程中多次帮忙启发了我，让我对论述资料进⾏重新深思熟虑，修改掉其中不连贯的、错误的部分，帮忙平凡的我更加顺利的完成了本文。
除此之外特别感激学习与写作过程中各位任课老师和同学的无私帮助，是你们在我需要帮忙的时候给予了很好的资源，使我能够更加顺利的进⾏资料的收集。同样，如果没有你们的协助我也是⽆法顺利完成这次论文的撰写。最后在文章的末尾再次感激林宏伟林老师，同时感激所有的⽀持与帮忙过我.的所有同学与朋友们。