基于人工智能的图卷积神经网络故障诊断方法研究

随着移动互联网的快速发展,网络故障诊断技术已成为一个重要的研究方向。在移动网络故障诊断中,由于故障样本数量有限,传统方法难以准确诊断出故障类型。因此,研究提出了一种融合朴素贝叶斯模型(Naive Bayesian Model, NBM)和图卷积神经网络(Graph Convolutional Networks, GCN)的移动网络故障诊断方法。通过GCN与NBM的融合,故障诊断方法能够提取到更多故障数据,用于对故障的识别和诊断。结果表明,模型方法的故障诊断准确率平均值和故障误检平均值分别为92.18%、9.13%;同时模型方法在网络故障分类识别效率为75.00%,且在故障识别开始时的平均时间开销为11 s。所有结果均优于对比算法,这说明所提出的方法能够有效地识别出移动网络故障类型,并具有较高的准确率和鲁棒性。