减法聚类-ANFIS在网络故障诊断的应用研究

计算机工程与应用 ›› 2011, Vol. 47 ›› Issue (8): 76-78.

减法聚类-ANFIS在网络故障诊断的应用研究

蒋静芝，孟相如，李欢，庄绪春

空军工程大学电讯工程学院，西安 710077

收稿日期:1900-01-01 修回日期:1900-01-01 出版日期:2011-03-11 发布日期:2011-03-11

Study on application of subtractive clustering and adaptive network-based fuzzy inference system in network fault diagnosis

JIANG Jingzhi，MENG Xiangru，LI Huan，ZHUANG Xuchun

Telecommunication Engineering Institute，Air Force Engineering University，Xi’an 710077，China

Received:1900-01-01 Revised:1900-01-01 Online:2011-03-11 Published:2011-03-11

摘要/Abstract

摘要： 提出了一种基于减法聚类-自适应模糊神经网络（ANFIS）的网络故障诊断建模方法。减法聚类算法生成初始模糊推理系统，ANFIS建立网络故障诊断原始模型，应用混合算法对模糊规则的参数进行训练并建立最终的模型。仿真实验表明基于减法聚类-ANFIS的建模方法是有效的；通过仿真结果比较，减法聚类-ANFIS的网络故障诊断能力及收敛速度均优于BP神经网络，更适合作为网络故障诊断模型。

关键词: 网络故障诊断, 减法聚类, 自适应模糊神经网络, 模糊逻辑, 神经网络

Abstract: A method for building network fault diagnosis models is proposed based on subtractive clustering and Adaptive Network-
based Fuzzy Inference System（ANFIS）.The subtractive clustering is used to build initial fuzzy inference system，ANFIS is adopted to build network fault diagnosis original model，hybrid algorithm is used to train the parameter of fuzzy rule，and the final model is established.Simulation experiment results show that the modeling algorithm based on subtractive clustering-ANFIS is effective.Compared with the simulation results，the fault diagnosis ability and convergence speed of the subtractive clustering-
ANFIS network are all better than the BP neural network，and much more suitable as network fault diagnosis model.

Key words: network fault diagnosis, subtractive clustering, Adaptive Network-based Fuzzy Inference System（ANFIS）, fuzzy logic, neural network

蒋静芝，孟相如，李欢，庄绪春. 减法聚类-ANFIS在网络故障诊断的应用研究[J]. 计算机工程与应用, 2011, 47(8): 76-78.

JIANG Jingzhi，MENG Xiangru，LI Huan，ZHUANG Xuchun. Study on application of subtractive clustering and adaptive network-based fuzzy inference system in network fault diagnosis[J]. Computer Engineering and Applications, 2011, 47(8): 76-78.

[1]	许昊，张凯，田英杰，种法广，王子超. 深度神经网络图像描述综述[J]. 计算机工程与应用, 2021, 57(9): 9-22.
[2]	冉蓉，徐兴华，邱少华，崔小鹏，欧阳斌. 基于深度卷积神经网络的裂纹检测方法综述[J]. 计算机工程与应用, 2021, 57(9): 23-35.
[3]	牟清萍，张莹，张东波，王新杰，杨知桥. 目标丢失判别机制的视觉跟踪算法及应用研究[J]. 计算机工程与应用, 2021, 57(9): 140-147.
[4]	包志强，邢瑜，吕少卿，黄琼丹. 改进YOLO V2的6D目标姿态估计算法[J]. 计算机工程与应用, 2021, 57(9): 148-153.
[5]	王林，柴江云. 深度神经网络在多场景车辆属性识别中的研究[J]. 计算机工程与应用, 2021, 57(9): 162-167.
[6]	赵志焱，杨华，胡志伟，宇海萍. 基于TACNN的玉露香梨叶虫害识别[J]. 计算机工程与应用, 2021, 57(9): 176-181.
[7]	周伦钢，孙怡峰，王坤，吴疆，黄维贵，李炳龙. 目标多种多值属性的端端快速识别网络[J]. 计算机工程与应用, 2021, 57(9): 182-190.
[8]	张成，戴俊峰，熊闻心. 融合LeNet-5改进的扫描文档手写日期识别[J]. 计算机工程与应用, 2021, 57(9): 207-211.
[9]	麻哲旭，杨峰，乔旭. 铁路路基病害智能检测方法[J]. 计算机工程与应用, 2021, 57(9): 272-278.
[10]	蒋斌，钟瑞，张秋闻，张焕龙. 采用深度学习方法的非正面表情识别综述[J]. 计算机工程与应用, 2021, 57(8): 48-61.
[11]	李震霄，孙伟，刘明明，郑丽丽，陈劭颖. 交通监控场景中的车辆检测与跟踪算法研究[J]. 计算机工程与应用, 2021, 57(8): 103-111.
[12]	张越，黄友锐，刘鹏坤. 引入注意力机制的多分辨率人体姿态估计研究[J]. 计算机工程与应用, 2021, 57(8): 126-132.
[13]	李现国，冯欣欣，李建雄. 多尺度残差网络的单幅图像超分辨率重建[J]. 计算机工程与应用, 2021, 57(7): 215-221.
[14]	翟正利，李鹏辉，冯舒. 图对抗攻击研究综述[J]. 计算机工程与应用, 2021, 57(7): 14-21.
[15]	祝钧桃，姚光乐，张葛祥，李军，杨强，王胜，叶绍泽. 深度神经网络的小样本学习综述[J]. 计算机工程与应用, 2021, 57(7): 22-33.