买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网恭喜南京邮电大学申请的专利一种基于知识和数据融合的蜂窝网络故障诊断方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN115119242B 。

龙图腾网通过国家知识产权局官网在2025-05-30发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202210726134.6，技术领域涉及：H04W24/04；该发明授权一种基于知识和数据融合的蜂窝网络故障诊断方法是由朱晓荣;潘庆亚;吴铭骁;贺楚闳设计研发完成，并于2022-06-24向国家知识产权局提交的专利申请。

本一种基于知识和数据融合的蜂窝网络故障诊断方法在说明书摘要公布了：本发明公开了一种基于知识和数据融合的蜂窝网络故障诊断方法，使用基于生成对抗网络GAN的方法对真实的数据集进行数据扩充，有效地平衡数据集以及减少标记数据所花费的成本；使用朴素贝叶斯法结合专家知识对网络故障数据集进行预诊断分类任务，并根据预诊断结果生成数据间的关联图，有效地解决了GCN生成的数据间拓扑关联图不精确的问题；将生成的拓扑关联图与训练数据集都输入到GCN模型中进行模型的训练，对GCN模型进行改进使之在训练中能够分别调整预诊断先验知识和训练数据集规模对GCN模型精度的影响。

本发明授权一种基于知识和数据融合的蜂窝网络故障诊断方法在权利要求书中公布了：1.一种基于知识和数据融合的蜂窝网络故障诊断方法，其特征在于，包括以下步骤：步骤S1、从密集型异构蜂窝网络环境中采集带有标签的网络状态数据集，通过XGBoost算法，从数据集中选取最优子集；步骤S2、将步骤S1中经过预处理的带有标签的网络状态数据集输入生成对抗网络中，得到带有标签的表征不同网络状态的模拟数据集，并将其与步骤S1中经过预处理后的数据集汇总；步骤S3、使用KPI离散化规则对步骤S1中经过XGBoost算法得到的最优特征子集进行离散化操作，根据离散化后的KPI属性，通过合理划分训练数据集训练朴素贝叶斯分类器，利用训练好的朴素贝叶斯模型对剩余的数据进行分类，得到预诊断结果；使用预诊断结果集来构建拓扑关联图，即邻接矩阵；步骤S4、根据得到的拓扑关联图，在原有的GCN模型的基础上对GCN进行改进，利用改进后的GCN得到最终的网络故障诊断结果，具体包括首先将数据集中数据样本的特征参数向量转换成n×d0维的特征矩阵X，再根据节点间的相似性构建n×n维的邻接矩阵A，把X和A作为GCN的输入；input＝X,AGCN中定义的前向激励传播公式为： 对原先的GCN进行改进，增加权重系数λ，λ用来控制由朴素贝叶斯得出的预诊断先验知识和训练数据集规模分别对模型精度的影响 改进后的GCN模型的传播公式为： 其中，σ是激活函数，是矩阵的度矩阵，它主对角线上的每个元素是由矩阵中对应行的所有元素求和得到的；Wl是第l层中可训练的权重矩阵；Hl是第l层图卷积层的输入节点特征矩阵；图卷积神经网络的输出是一个节点特征矩阵其中c是预定义的网络故障类别的数量；对于输出结果矩阵Z＝[Z1,Z2,...,Zn]，Z中的每一个行向量Zi1≤i≤n即对应于原数据集中样本节点xi的预测出最终的网络故障类别；具体来说，对于行向量Zi＝[Zi,1,Zi,2,...,Zi,c]，样本节点xi的预测标签即为在GCN训练过程中，通过训练集中的标记样本来计算交叉熵损失函数，并使得误差逆向传播，根据梯度下降法优化各图卷积层中权重矩阵的权值， 其中，l是指带标签样本的数目，c是网络状态类别总数，Y是节点的标签矩阵。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人南京邮电大学，其通讯地址为：210023 江苏省南京市栖霞区文苑路9号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。