改进的BP神经网络在局域网故障诊断中的应用

( 9)
— 97 —
© 1994-2010 China Academic Journal Electronic Publishing House. All rights reserved.
目前把神经网络应用到网络故障诊断领域中获得的成
1 引言
网络的故障诊断是项复杂而重要的工作 ,做好网络故障 诊断对于整个网络的运行有着重要的意义 。传统的局域网 检测通常是人工配合一些软件以及仪器的检测 。手工诊断 方法简陋而且操作不方便 ,耗时多 ; 从八十年代开始 , 随着专 家系统的研究的深入 , 网络故障诊断也采用了这种技术 , 从 此网络故障诊断朝着智能化的方向发展 。但专家系统在应 用中存在知识库欠完备 、 无法处理不确定性问题 、 系统缺乏 自学习与自组织能力等弊端 。近年来神经网络的研究发展 十分迅速 ,神经网络具有较强的学习性 、 鲁棒性 ,在故障诊断 中受到广泛的重视 ,并为智能故障诊断技术的研究开辟了条 新的途径
2. 1 基本的 BP神经网络 BP网络是指由非线性变换单元组成的前馈网络 , 它由
的过程可视为无约束非线性优化过程 , 通常的 BP 训练算法 采用最速下降法 , 相应的对权值矩阵的 调整采 用 Delta 规 则 [ 3, 4 ] , 该规则对隐藏层和输出层之间的连接权值采用如下 公式调整 :
第 27 卷 第 4期 文章编号 : 1006 - 9348 ( 2010) 04 - 0096 - 03
计 算 机 仿 真
2010 年 4 月
改进的 BP神经网络在局域网故障诊断中的应用
王宇浩 ,王海波
(中南大学信息科学与工程学院 , 湖南 长沙 410083)
摘要 : 现有的网络故障诊断方法存在诸多的不足 ,为了能够实现准确有效快速地排除网络故障 ,将人工神经网络的方法应用 到对局域网的故障诊断中 。先对传统的 BP 人工神经网络进行了分析 , 针对其收敛速度慢 , 存在局部极小值的缺点提出了 一种改进后的 BP 人工神将网络 。并先后将传统的以及改进后的两种 BP 神经网络应用到局域网的故障诊断中 。仿真测试 结果表明改进后的 BP 神经网络方法相比传统的 BP 神经网络方法确实能够更有效快速地完成对局域网的故障诊断 , 具有 一定的应用价值 。 关键词 : 神经网络 ; 计算机网络 ; 故障诊断 中图分类号 : TP393 文献标识码 : B
[ 1, 2 ]
果不是很多 ,一般是利用常规的 BP 神经网络来对网络进行 故障诊断 。但常规的 BP 神经网络存在学习速度缓慢 , 存在 局部极小值问题 ,有时并不能获得较为满意的结果 。本文在 深入研究了常规的 BP 算法的基础上 ,提出了一种能加快收 敛速度 、 抑制局部极小以及减少学习过程的振荡现象的方 法 。改进的 BP神经网络会根据局域网故障征兆信息很快的 给出局域网的故障原因 ,使网络管理员能够快速准确的知道 故障所发生之处 , 从而迅速的排除故障维护网络的顺畅使 用 ,方便网络用户 ,提高网络服务质量 。
— 96 —
© 1994-2010 China Academic Journal Electronic Publishing House. All rights reserved.
算法的拓扑结构如图 1 所示 。
的值 。例如 ε = 1. 0 e - 3否则转向前传播的后一阶段 。 这两个阶段的工作一般应受到精度要求的控制 , 根据
W ij = W ij +Δ W ij = W ij +α O j ( 1. 0 - O j ) O i ・
h m k 1 k2
一个输入层 、 一个输出层和若干隐含层组成 , 同层神经元之 间互不连接 ,相邻层的神经元通过权值连接 ,最基本的 BP 神 经网络是三层前馈型神经网络 。 对于三层 BP神经网络 ,其输入向量为 X = ( X 1 , X 2 , . . . ,
W jk = W jk +Δ W jk = W jk +α O ( 1. 0 - O k ) ( Yk - O k ) O j ( 4)
其中 :α为神经网络给定的学习率 , 在 ( 0, 1 ) 之间取值 , O j ,
O k , Yk 分别为隐藏层第 j个神经元输出值 、 输出层第 k 个神
经元输出值以及输出层第 k 个神经元理想输出值 。 对输入层和隐藏层之间的连接权值矩阵调整 , 则采用下 列公式 :
T T X n ) , 输出向量为 O = ( O 1 , O 2 , . . . , O n ) , 输入层为 n 个神经
k1 = 1 k2 = 1
W ∑∑
O j+1, k2 ( 1. 0 - O j+1, k2 ) ( Y j+1, k2 - O j+1, k2 )
( 5)
其中 : O i , O j , O j + 1, k2分别表示输入层第 i个神经元隐藏层 第 j个神经元和输出层第 k2 个神经元的输出值 , Y j + 1, k2表示 输出层第 k2 个神经元理想输出值 。
2 ) 向后传播阶段
Δ W ij ( t + 1 ) = ( 1 +λ)α ( t)δ W ij ( t) jO i + ( 1 +λ)β( t)Δ
( 7)
若 ΔE > 0 说明 t次迭代被拒绝 , 应该放慢快学习速率 , 惯性 因子也相应减小 , 故有 : Δ W jk ( t + 1 ) = ( 1 +λ)α ( t)δ W jk ( t) k O j + ( 1 - λ)β( t)Δ
3 以上 , 否则网络极不稳定 , 训练时几乎不能收敛到预定的
研究表明 , 上述常规 BP训练算法学习速度较慢 , 训练次 数常需要上千次甚至上万次 。为加快学习速率并减少震荡 可采用加入动态学习因子 α和惯性因子 β的方法 。为描述 δ 简单起见 , 可将式中的 Δ W jk和 Δ W ij分别记为 Δ W jk =α kO j 和 Δ δ W ij =α jO i , 并记 ΔE = E ( t) - E ( t - 1 ) , 它表示第 t 次迭代 的误差测度和前一次迭代误差测度之差 。这样 , 引入动态学 习因子和惯性因子后的权值公式可表示如下 : 若 ΔE < 0 说明 t次迭代被接受 , 应该加快学习速率 。惯 性因子也相应增大 , 故有 : Δ W jk ( t + 1 ) = ( 1 +λ)α ( t)δ W jk ( t) k O j + ( 1 +λ)β( t)Δ
2. 2 改进后的 BP神经网络
元 , 隐藏层为 h 个神经元 , 输出层为 m 个神经元 , W ij为输入 层和隐藏层之间的连接权重 , W jk为隐藏层和输出层之间的 连接权重 , 其中 n 即为输入向量维数 , m 即为输出向量维数 , 隐藏层的神经元个数 h 可认为与问题相关 , 目前的研究结果 还难以给出 h 与问题的类型和规模之间的函数关系 , 在数值 实验中发现 h 大致可在 [ n / 2 + l, 3 n ]之间取值 , n 至少应该在
2 BP 算法及其改进
BP算法是人工神经网络算法的一个突破 , 以其强大的
。ห้องสมุดไป่ตู้
适应性得到了广泛的应用 。其拓扑结构由输入层 、 隐层和输
基金项目 : 国家自然科学基金 : 60604005 收稿日期 : 2008 - 12 - 28 修回日期 : 2009 - 02 - 27
出层构成 ,隐层可以是一个 ,也可以是多个 。典型单隐层 BP
Applica tion of an I m proved BP Neura l Network in L oca l Area Network Fault D ia gnosis
WAN G Yu - Hao, WAN G Hai - bo
( School of Information Science and Engineering, Central South University, Changsha Hunan 410083, China ) ABSTRACT: The methods of existing net work fault diagnosis have many deficiencies . In order to exclude the fault of network accurately and effectively, in this paper, artificial neural net work method is app lied in fault diagnosis on the LAN. An imp roved BP neural network is p roposed for the purpose of overcom ing the slow convergence and existence of local m inim um in conventional BP neural network. Both the conventional and the imp roved BP neural net work are app lied in the LAN fault diagnosis respectively . The result of the si m ulation show s that the imp roved BP neural net2 work is more fast and effective than the conventional BP neural network in the task of fault diagnosis, thus, this new method has p racticability . KEYWO RD S: Neural network; Computer network; Fault diagnosis