基于混合神经网络模型的故障预测技术的研究

发布时间：2023-08-06 19:24

　　当今社会科技发展非常迅速,在人们的生产生活中,网络系统已经无处不在,人们利用网络可以提高工作的效率,可以丰富日常生活,网络为人类的生产生活带来了重大的改变,做出了重要的贡献。正是由于网络的人们的作用越来越大,网络的自身的规模也是越来越大,结构越来越复杂,数据量也是非常地庞大,所以当网络发生故障时,维修的难度也会加大,如果网络从发生故障到恢复正常工作的时间很久,就会给人类带来重大的损失,因此如何减少网络故障导致的损失成为人们研究的重要课题。近年来针对故障预测技术的研究越来越多,故障预测技术能够提前发现网络可能发生的故障,能够让人们提前为维修网络故障做准备,减少网络恢复工作的时间,从而减少因网络故障导致的损失。但大多数是针对告警数据这样的结构化数据,而像日志这样的非结构化数据研究的不多,而日志是系统每时每刻都在产生的数据,因此其中隐藏了大量的反映系统运行状态的信息,具有很好的研究价值,因此本文提出了一种基于混合神经网络的故障预测技术,主要内容如下:1.数据预处理,由于本文采用的日志是非结构化的,并不像结构化的数据一样非常“干净”,非结构化的日志会有一些无用的符号和信息,在将日志输入到预测模...

【文章页数】：56 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
专用术语注释表
第一章 绪论
    1.1 研究背景与意义
    1.2 国内外研究现状
        1.2.1 故障管理方法的研究现状
        1.2.2 深度学习的研究现状
    1.3 论文的主要内容
第二章 相关背景知识介绍
    2.1 故障预测概念
    2.2 故障预测技术的发展
        2.2.1 统计预测技术
        2.2.2 数学预测技术
        2.2.3 智能预测技术
    2.3 深度学习概述
        2.3.1 神经元
        2.3.2 卷积神经网络
        2.3.3 循环神经网络
        2.3.4 Dropout技术
        2.3.5 激活函数
    2.4 本章小结
第三章 基于CNN的故障预测模型
    3.1 对比算法介绍
    3.2 基于CNN预测模型整体算法思路
    3.3 日志数据预处理
    3.4 CNN故障预测模型的结构
        3.4.1 词嵌入层
        3.4.2 卷积层和池化层
        3.4.3 全连接层
    3.5 故障预测模型训练
    3.6 实验结果及分析
        3.6.1 实验环境及数据集
        3.6.2 评价指标
        3.6.3 仿真结果
        3.6.4 分析与总结
    3.7 本章小结
第四章 基于CNN-LSTM混合神经网络的故障预测
    4.1 长短期记忆网络
        4.1.1 LSTM工作原理
    4.2 CNN-LSTM混合神经网络结构
    4.3 实验结果及分析
        4.3.1 实验环境及数据介绍
        4.3.2 不同LSTM层数对预测性能的影响
        4.3.3 不同滑动窗口长度对预测性能的影响
        4.3.4 分析与总结
    4.4 本章小结
第五章 总结与展望
    5.1 研究成果
    5.2 研究工作展望
参考文献
附录1 攻读硕士学位期间撰写的论文
致谢



本文编号：3839912