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！

龙图腾网获悉武汉理工大学;武汉烽火技术服务有限公司;华中科技大学申请的专利基于图卷积神经网络的5G承载网故障诊断方法及设备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：CN116405369B 。

龙图腾网通过国家知识产权局官网在2025-09-30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：202310334306.X，技术领域涉及：H04L41/0631；该发明授权基于图卷积神经网络的5G承载网故障诊断方法及设备是由徐文君;王睿章;丁杰;刘佳宜;徐爱波;余辰;吴振威;李旺;胡记伟设计研发完成，并于2023-03-30向国家知识产权局提交的专利申请。

本基于图卷积神经网络的5G承载网故障诊断方法及设备在说明书摘要公布了：本发明公开了一种基于图卷积神经网络的5G承载网故障诊断方法及设备，该方法包括：获取5G承载网中网络设备的历史时序运维数据和与之相对应的标签；构建基于5G承载网的网络结构图；得到降维后的历史和现有时序运维数据；基于网络结构图，通过图卷积神经网络算法构建5G承载网故障智能诊断模型；利用降维后的历史时序运维数据和标签以及降维后的现有时序运维数据训练该5G承载网故障智能诊断模型，并得到现有时序运维数据的故障类型，实现5G承载网故障的诊断。本发明构建基于图卷积神经网络的5G承载网故障智能诊断模型，对时序运维数据进行半监督分类，可以准确识别5G承载网的故障类型，实现5G承载网故障诊断的智能化。

本发明授权基于图卷积神经网络的5G承载网故障诊断方法及设备在权利要求书中公布了：1.一种基于图卷积神经网络的5G承载网故障诊断方法，其特征在于，该方法用于识别5G承载网的故障类型，包括以下步骤： 1获取5G承载网中网络设备的历史时序运维数据和与之相对应的历史故障数据，并对历史故障数据进行量化编码，得到代表故障类型的自然数作为标签，标签和历史时序运维数据相对应； 构建基于5G承载网的网络结构图：对5G承载网中的网络节点以及网络节点的连接关系进行建模，网络节点构成网络结构图中的节点，网络节点之间的连接关系构成网络结构图中的边； 2通过主成分分析法PCA对历史时序运维数据进行特征提取，得到降维后的历史时序运维数据； 3动态获取5G承载网中网络设备的现有时序运维数据，并用主成分分析法PCA进行特征提取，得到降维后的现有时序运维数据； 4基于所构建的网络结构图，通过图卷积神经网络算法构建5G承载网故障智能诊断模型；利用降维后的历史时序运维数据和标签以及降维后的现有时序运维数据训练该5G承载网故障智能诊断模型，并得到现有时序运维数据的故障类型，实现5G承载网故障的诊断； 其中，步骤4具体包括： ①构建时序运维数据的邻接矩阵A并做归一化处理： 降维后的历史时序运维数据为，降维后的现有时序运维数据为；其中，为降维后的历史时序运维数据的个数，为降维后的现有时序运维数据的个数，为维数；降维后的历史时序运维数据P和降维后的现有时序运维数据Q构成矩阵X = ； 每个网络节点拥有唯一的数字id，取降维后的历史时序运维数据P中随机打乱后的最后一组包含所有网络节点的数字id，记录这些数字id的位置，依托由数字id表征的网络节点之间的连接关系，构建时序运维数据的邻接矩阵；计算归一化后的邻接矩阵，计算公式如下： 式中，为归一化后的邻接矩阵，为邻接矩阵的度矩阵，为单位矩阵； ②通过图卷积神经网络算法构建5G承载网故障智能诊断模型： 构建两层图卷积神经网络模型，两层图卷积神经网络模型的前向传播公式如下所示： Z = 𝑓X, A = softmax ReLU X 式中，为归一化后的邻接矩阵，X为M+N个特征维度为的时序运维数据，∈为输入层到隐藏层的权重矩阵，经过隐藏层时序数据由维变为t维，∈为隐藏层到输出层的权重矩阵，经过输出层时序数据由t维变为n维，n为故障类型总数，Z∈为输出矩阵，ReLU函数为激活函数，softmax函数为归一化指数函数，作用在输出矩阵Z的每一行上； ③计算历史时序运维数据故障类型的准确率： ④训练两层图卷积神经网络模型； ⑤对现有时序运维数据的故障类型进行预测，识别现有时序运维数据的故障类型。

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武汉理工大学;武汉烽火技术服务有限公司;华中科技大学，其通讯地址为：430070 湖北省武汉市洪山区珞狮路122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”。