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！

龙图腾网获悉南京邮电大学申请的专利一种基于深度学习和知识图谱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：CN115734274B 。

龙图腾网通过国家知识产权局官网在2025-07-11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：202211519142.X，技术领域涉及：H04W24/08；该发明授权一种基于深度学习和知识图谱的蜂窝网络故障诊断方法是由朱晓荣;潘庆亚设计研发完成，并于2022-11-30向国家知识产权局提交的专利申请。

本一种基于深度学习和知识图谱的蜂窝网络故障诊断方法在说明书摘要公布了：本发明涉及通信网络技术领域，是一种基于深度学习和知识图谱的蜂窝网络故障诊断方法，使用图卷积神经网络GCN的方法对网络告警数据进行预诊断，该方法考虑了告警数据之间的相关性，有效地提高了网络故障诊断的准确率；使用长短期记忆网络LSTM和条件随机场CRF对非结构化知识进行抽取，使用爬虫技术对半结构知识进行抽取，最后融合结构化数据、半结构化数据、非结构化数据构建一个全面的面向5G网络的故障知识图谱；使用已构建的知识图谱对图卷积神经网络的诊断结果进行验证和推理，该方法考虑了告警与故障之间的复杂关系以及故障与原因、方法之间的关系，极大地提高了网络故障诊断准确率、降低了网络运维的门槛、提高了网络运维效率。

本发明授权一种基于深度学习和知识图谱的蜂窝网络故障诊断方法在权利要求书中公布了：1.一种基于深度学习和知识图谱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中选取出的最优子集映射为一个无向图G＝V，E，其中V是节点集，E是边集，并根据数据集构建特征矩阵X，邻接矩阵A； 步骤S3、将步骤S2中构建好的特征矩阵和邻接矩阵输入到GCN模型中，得到预诊断结果； 步骤S4、从密集型异构蜂窝网络管理系统中获取结构化数据、半结构化数据、非结构化数据，使用LSTM和CRF模型对非结构化数据进行知识抽取，使用爬虫技术对半结构化数据进行知识抽取，最后基于三维数据构建一个故障知识图谱； 步骤S5、将步骤S3输出的预诊断结果输入到步骤S4已构建的故障知识图谱中，得到最终的网络故障诊断结果以及可解释性报告； 所述步骤S3的得到的预诊断结果的具体步骤为： 步骤S3.1：将步骤S2构造的特征矩阵X，邻接矩阵A输入到GCN模型中，GCN中定义的前向激励传播公式为： 其中，σ是激活函数，A＝A+IN，D是矩阵A的度矩阵，其对角线上的值为各个节点的度，主对角线外的元素均为0元素，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，对输入层而言，H0就等于初始节点特征矩阵X； 步骤S3.2：所述GCN模型包含两个图卷积层，第一层的激活函数为ReLU函数，第二层为softmax函数，模型输出是一个节点特征矩阵Z∈Rn×c，其中c是预定义的网络，故障类别数量，n为数据集样本数量，对于输出结果矩阵Z＝Zi，1Zi，2，...，Zi，c，样本节点xi的预测标签即为此外，对于输出结果矩阵，若当时，其中λth根据具体网络场景而定，λth设为0.0001，额外输出样本为异常标识，要输入到知识图谱中进一步判断； 步骤S3.3：在GCN训练过程中，最后需要通过训练集中的标记样本来计算交叉熵损失函数，该函数是模型的优化目标，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是之前定义的网络状态类别总数，Y是之前定义的节点的标签矩阵。

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 江苏省南京市鼓楼区新模范马路66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”。