基于数值型属性约简的SVM网络故障诊断

网络故障的关联性传播可能导致网络故障数据包含大量冗余信息,影响诊断精度和处理效能。该文根据故障数据的特点,将粗糙集理论与支持向量机(SVM)相结合,采用基于邻域粗糙逼近的数值型属性约简算法进行快速高效的故障诊断,避免经典粗糙集理论中离散化误差的影响,缩减数据存储空间,降低SVM训练模型的复杂度,提高训练速度。ROC性能曲线分析结果表明,该方法具有良好的泛化能力。

基于SVM的故障诊断在网管平台中的应用

为了克服现有故障诊断方案在实时性、预测性和智能化方面的不足,基于二叉树的SVM多分类方法,设计了网络故障诊断方案,应用于网络管理平台之上,提高了网络监控以及故障管理的效能。通过测试,验证了该方案的可行性和有效性。对实测的小样本数据显示了较强的预警能力,对多类网络故障也具有较高的分类精度。

基于SVM的网络故障诊断专家系统的设计应用

现有的网络故障诊断系统多是基于专家系统的,在实时性和诊断精确度等方面有一定的缺陷。将SVM融入其中,充分利用其较强的学习能力和快速、精准的诊断优势,设计了新的网络故障方案,并应用于小样本故障数据的实测中,在相当程度上增强了专家系统的诊断能力,验证了该方案的可行性和有效性。