一种基于人工智能的通信链路故障检测方法与流程

1.本发明属于人工智能技术领域，具体涉及一种基于人工智能的通信链路故障检测方法。


背景技术：

2.当代社会是信息化社会，网络通信在人们的生产生活中起着不可或缺的作用。在网络通信中，通信链路的稳定运行是保证网络信息收发安全可靠，维持社会生产生活正常运转的关键因素，一旦发生网络故障可能会导致不可估量的损失。因此，如何使用一种方法对网络通信链路进行预防性的检测以及在通信链路发生故障时快速地对故障类型和故障位置进行定位具有重要意义。
3.目前，针对网络通信链路的故障诊断方法主要通过人工的检修，诊断时间长，故障定位不准确，同时需要投入大量的人力资源。因此，若能采用智能化的技术对通信链路故障进行快速诊断和定位，能极大提高故障检修效率，带来极大的经济效益。


技术实现要素：

4.为了克服现有技术中的上述不足，本公开提供基于人工智能的通信链路故障检测方法及装置，能够获取信号收发设备发送的第一测试信号并从预存的参数配置库中确定出与所述第一测试信号对应的信号类别所表征的第一信号接收节点处的第一测试信号特性以及从第一信号接收节点处到第二信号接收节点的通信链路上的第二测试信号特性，确定出从第一信号接收节点发送的测试信号到达第二信号接收节点时的信号失真向量，基于确定出的第一校验因子和第二校验因子对信号失真向量进行校验得到第二校验向量以实现对测试信号的征向量进行修正，基于修正得到的特征向量采用人工智能模型进行识别，如此，能够基于人工智能模型对通信链路进行故障类型的智能判断，提高故障诊断效率。
5.第一方面，本发明提供了一种基于人工智能的通信链路故障检测方法，应用于通信故障检测设备，所述通信故障检测设备与信号收发设备通信连接，所述信号收发设备与预设通信节点连通，所述方法包括：
6.获取信号收发设备发送的第一测试信号以及从第一信号接收节点至第二信号接收节点的第二测试信号，所述第一测试信号和所述第二测试信号均包括信号类别标识和信号编码方式；
7.从预存的参数配置库中确定出与所述第一测试信号对应的信号类别以及信号编码方式所表征的第一信号接收节点处的第一测试信号特性以及从第一信号接收节点处到第二信号接收节点的通信链路上的第二测试信号特性；
8.根据所述第一测试信号特性以及所述第二测试信号特性，确定出从第一信号接收节点发送的测试信号到达第二信号接收节点时的信号失真向量；
9.根据所述第一测试信号的类别和信号编码方式确定所述信号失真向量的第一校验因子并根据所述第一测试信号中的机器码序列确定所述信号失真向量的第二校验因子；
10.基于所述第一校验因子对所述信号失真向量进行第一次校验得到第一校验向量并确定所述第一校验向量与所述信号失真向量的相关性矩阵，基于所述相关性矩阵确定出所述第二校验因子对应的校验规则，基于所述第二校验因子以及所述对应的校验规则对所述第一校验向量进行第二次校验得到第二校验向量；
11.对所述第一测试信号进行特征提取得到第一特征向量，基于所述第二校验向量对所述第一特征向量进行修正得到第一目标特征向量，按照对所述第一测试信号进行特征提取的相同逻辑对所述第二测试信号进行特征提取得到第二特征向量，并基于所述第二校验向量对所述第二特征向量进行修正得到第二目标特征向量；
12.将所述第一目标特征向量与所述第二目标特征向量进行特征融合，并使用预设人工智能模型进行识别，从而得到通信链路故障类型和故障节点定位的结果。
13.在第一方面的一种可能的实现方式中，所述根据所述第一测试信号特性以及所述第二测试信号特性，确定出从第一信号接收节点发送的测试信号到达第二信号接收节点时的信号失真向量的步骤，包括：
14.确定所述第一测试信号特性的第一信息熵以及所述第二测试信号特性的第二信息熵，通过预设的信号特性类别划分规则建立信号特性类别集合并基于所述第一信息熵和所述第二信息熵的比值将信号特性类别集合进行切分得到第一信号特性类别子集和第二信号特性类别子集，分别为所述第一信号特性类别子集和所述第二信号特性类别子集分配第一算力资源和第二算力资源；所述第一信息熵和所述第二信息熵用于表征所述第一测试信号和所述第二测试信号的信息量大小，预设的信号特性类别划分规则是基于信号类别和信号编码特征，在所述信号收发设备中所需要的信号处理方式得到的，所述第一测试信号特性类别子集和所述第二测试信号特性类别子集是相互独立的互斥集合，所述第一算力资源和所述第二算力资源用于表征对所述第一测试信号特性子集和所述第二测试信号特性子集进行信号处理所需要的计算资源；
15.分别将所述第一测试信号特性和所述第二测试信号特性映射值所述第一信号特性类别子集和所述第二信号特性类别子集，基于所述第一算力资源和所述第二算力资源分别对所述第一测试信号和所述第二测试信号进行信号处理得到第一信号处理结果和第二信号处理结果；所述第一信号处理结果和所述第二信号处理结果中分别包括第一信号完整度和第二信号完整度，用于表征信号经过传输以后的信息丢失率；
16.从所述第一信号处理结果中的第一信号完整度中确定出第一目标影响因子以及所述第二信号处理结果中的第二信号完整度中确定出第二目标影响因子，所述第一目标影响因子以及所述第二目标影响因子是对测试信号在信号经过通信链路传输存在影响的通信链路故障对应的标识；
17.基于所述第一目标影响因子和所述第二目标影响因子，确定所述第一目标影响因子和所述第二目标影响因子之间的关联关系，并根据所述关联关系将相关性强的第一目标影响因子和第二目标影响因子预设的信号失真配对列表中以确定出第一目标影响因子对应的第一信号失真响应数组和第二目标影响因子对应的第二信号失真响应数组，所述信号失真配对列表中包括由不同通信链路故障对同一测试信号的失真影响系数，所述失真影响系数用于表征测试信号在通信链路内的平均信号丢失率；
18.确定出所述第一失真响应数组中的每个第一失真影响系数的第一环境扰动权重
以及所述第二失真响应数组中的每个第二失真影响系数的第二环境扰动权重，根据所述环境扰动权重的大小对所述第一环境扰动权重和所述第二环境扰动权重进行由大到小的排序得到第一目标序列，并基于所述第一目标序列对所述第一失真影响系数和所述第二失真影响序列进行排序得到第二目标序列，将所述第一目标序列和所述第二目标序列元素对应相乘得到信号失真向量，所述环境扰动权重用于表征不同环境因素对信号在通信链路中传输时产生的信号突变和衰减的影响。
19.在第一方面的一种可能实现方式中，所述根据所述第一测试信号的类别和信号编码方式确定所述信号失真向量的第一校验因子的步骤，包括：
20.根据所述第一测试信号的信号类别，在预存的参数配置库中确定出与所述第一测试信号的信号类别匹配度大于预设值的类别标识，并将所述每个类别标识作为一个维度组成第一目标向量，所述第一目标向量维度和所述类别标识在故障检测设备中以二进制的形式进行存储，所述匹配度根据信号编码方式对所述二进制形式存储的第一目标向量维度标识和所述类别标识进行解码，然后通过所述向量维度标识和所述类别标识在对应位置上连续相同的二进制数值串占总的编码长度的比例得到；
21.确定所述第一测试信号的信号类别对应的信号传输稳定性，所述信号传输稳定性用于表征测试信号在通信链路中传输时的数据包丢失率；
22.确定第一目标向量中的每个第一目标向量元素值与所述信号传输稳定性之间的关联系数，所述关联系数用于表征每个第一目标向量元素与所述信号传输稳定性之间的关联程度，根据所述关联系数为每个第一目标向量值分配第一加权系数，并根据分配了所述第一加权系数的第一目标向量值确定所述第一校验因子。
23.在第一方面的一种可能实现方式中，所述根据所述第一测试信号中的机器码序列确定所述信号失真向量的第二校验因子的步骤，包括：
24.从所述第二信号接收节点上的信号收发设备上获取所述机器码序列并将所述机器码序列头部预设机器码位数的序列列出，得到第一机器码标识序列；
25.确定所述第一机器码标识序列的特征向量，所述特征向量用于唯一标识所述机器码序列的所表示的信号特性；
26.判断所述特征向量的维度是否与所述失真向量的向量维度关系，若所述失真向量的维度高于所述特征向量维度，则对所述特征向量进行维度扩展，然后根据所述扩展后的特征向量在所述失真向量中投影确定失真向量中第二目标向量元素值的第二加权系数确定所述失真向量的第二校验因子；若所述失真向量的维度与所述特征向量维度相同，则根据所述扩展后的特征向量在所述失真向量中投影确定失真向量中第二目标向量元素值的第二加权系数确定所述失真向量的第二校验因子；若所述失真向量的维度低于所述特征向量维度，则对所述特征向量进行截断，然后根据所述扩展后的特征向量在所述失真向量中投影确定失真向量中第二目标向量元素值的第二加权系数确定所述失真向量的第二校验因子。
27.在第一方面的一种可能实现方式中，所述基于所述第二校验因子以及所述对应的校验规则对所述第一校验向量进行第二次校验得到第二校验向量的步骤，包括：
28.从所述第二校验因子中提取与所述第二校验因子中的当前校验值对应的相关性矩阵，获取所述相关性分布矩阵中包括的当前校验值的对应的测试信号失真统计信息并拟
合出测试信号失真函数；所述测试信号失真函数用于表征测试信号的失真规律，所述当前校验值为所述第二校验因子中与所述第一校验向量中的每个校验元素均存在设点关系的向量元素值，所述设定关系用于表征当前向量元素值与所述第一校验向量存在失真关联；
29.将每个校验向量元素映射至所述测试信号失真函数曲线中得到每个校验向量元素值再所述测试信号失真函数中的校验节点，根据每个校验节点在所述测试信号失真函数曲线中所处的位置对每个校验节点对应的校验向量元素值进行修正，得到修正后的校验向量元素值，根据所述修正后的校验向量元素值得到所述第二校验向量。
30.在第一方面的一种可能实现方式中，所述第一信号接收节点和所述第二信号接收节点为统一通信链路上的通信连接的不同节点，所述第一测试信号和所述第二测试信号存储具有关联性。
31.在第一方面的一种可能实现方式中，所述将所述第一目标特征向量与所述第二目标特征向量进行特征融合，使用预设人工智能模型进行识别，从而得到通信链路故障类型和故障节点定位的结果的步骤，包括：
32.获取所述第一目标特征向量的第一目标特征向量维度和所述第二目标特征向量的第二目标特征向量维度，若所述第一目标特征向量维度与所述第二目标特征向量维度相同，则将第一目标特征向量元素与对应位置的第二目标特征向量元素进行加权融合得到第一融合向量；
33.若所述第一目标特征向量维度小于所述第二目标特征向量维度，则将所述第一目标特征向量与所述第二目标特征向量进行拼接得到第一融合向量，所述第二目标特征向量元素在前；若所述第一目标特征向量维度大于所述第二目标特征向量维度，则将所述第一目标特征向量与所述第二目标特征向量进行拼接得到第一融合向量，所述第一目标特征向量元素在前；
34.将所述第一融合向量作为输入，加载预设人工智能模型进行前向推理，得到识别结果，所述预设人工智能模型为根据大量的通信链路故障数据集训练得到，所述识别结果包括与通信链路故障类型相对应的整数标志以及与故障节点与当前测试节点的相对位置。
35.第二方面，本发明实施例还提供一种基于人工智能的通信链路故障检测系统，所述基于人工智能的通信链路故障检测系统包括通信故障检测设备以及与所述通信故障检测设备通信连接的信号收发设备；
36.所述通信故障检测设备用于获取所述信号收发设备发送的第一测试信号以及从第一信号接收节点至第二信号接收节点的第二测试信号，所述第一测试信号和所述第二测试信号均包括信号类别标识和信号编码方式；
37.所述通信故障检测设备，用于从预存的参数配置库中确定出与所述第一测试信号对应的信号类别以及信号编码方式所表征的第一信号接收节点处的第一测试信号特性以及从第一信号接收节点处到第二信号接收节点的通信链路上的第二测试信号特性；
38.所述通信故障检测设备，根据所述第一测试信号特性以及所述第二测试信号特性，确定出从第一信号接收节点发送的测试信号到达第二信号接收节点时的信号失真向量；
39.所述通信故障检测设备，用于根据所述第一测试信号的类别和信号编码方式确定所述信号失真向量的第一校验因子并根据所述第一测试信号中的机器码序列确定所述信
号失真向量的第二校验因子；
40.所述通信故障检测设备，用于基于所述第一校验因子对所述信号失真向量进行第一次校验得到第一校验向量并确定所述第一校验向量与所述信号失真向量的相关性矩阵，基于所述相关性矩阵确定出所述第二校验因子对应的校验规则，基于所述第二校验因子以及所述对应的校验规则对所述第一校验向量进行第二次校验得到第二校验向量；
41.所述通信故障检测设备，用于对所述第一测试信号进行特征提取得到第一特征向量，基于所述第二校验向量对所述第一特征向量进行修正得到第一目标特征向量，按照对所述第一测试信号进行特征提取的相同逻辑对所述第二测试信号进行特征提取得到第二特征向量，并基于所述第二校验向量对所述第二特征向量进行修正得到第二目标特征向量；
42.所述通信故障检测设备，用于将所述第一目标特征向量与所述第二目标特征向量进行特征融合，并使用预设人工智能模型进行识别，从而得到通信链路故障类型和故障节点定位的结果。
43.第三方面，本发明实施例还提供一种基于人工智能的通信链路故障检测装置，应用于通信故障检测设备，所述通信故障检测设备与信号收发设备通信连接，所述装置包括：
44.获取模块，用于获取信号收发设备发送的第一测试信号以及从第一信号接收节点至第二信号接收节点的第二测试信号，所述第一测试信号和所述第二测试信号均包括信号类别标识和信号编码方式；
45.第一确定模块，用于根据所述第一测试信号特性以及所述第二测试信号特性，确定出从第一信号接收节点发送的测试信号到达第二信号接收节点时的信号失真向量；
46.第二确定模块，用于根据所述第一测试信号的类别和信号编码方式确定所述信号失真向量的第一校验因子并根据所述第一测试信号中的机器码序列确定所述信号失真向量的第二校验因子；
47.校验模块，用于基于所述第一校验因子对所述信号失真向量进行第一次校验得到第一校验向量并确定所述第一校验向量与所述信号失真向量的相关性矩阵，基于所述相关性矩阵确定出所述第二校验因子对应的校验规则，基于所述第二校验因子以及所述对应的校验规则对所述第一校验向量进行第二次校验得到第二校验向量；
48.修正模块，用于对所述第一测试信号进行特征提取得到第一特征向量，基于所述第二校验向量对所述第一特征向量进行修正得到第一目标特征向量，按照对所述第一测试信号进行特征提取的相同逻辑对所述第二测试信号进行特征提取得到第二特征向量，并基于所述第二校验向量对所述第二特征向量进行修正得到第二目标特征向量；
49.识别模块，用于将所述第一目标特征向量与所述第二目标特征向量进行特征融合，并使用预设人工智能模型进行识别，从而得到通信链路故障类型和故障节点定位的结果。
50.第四方面，本发明实施例还提供一种通信故障检测设备，所述通信故障检测设备包括人工智能计算芯片、处理器、机器可读存储介质和网络接口，所述人工智能计算芯片、所述机器可读存储介质、所述网络接口以及所述处理器之间通过总线系统相连，所述人工智能计算芯片用于人工智能模型推理计算加速、所述机器可读存储介质用于存储程序、指令或代码，所述处理器用于执行所述机器可读存储介质中的程序、指令或代码，以执行第一
方面或者第一方面中任意一个可能的设计中的基于人工智能的通信链路故障检测方法。
51.基于上述任意一个方面，本发明能够获取信号收发设备发送的第一测试信号并从预存的参数配置库中确定出与所述第一测试信号对应的信号类别所表征的第一信号接收节点处的第一测试信号特性以及从第一信号接收节点处到第二信号接收节点的通信链路上的第二测试信号特性，确定出从第一信号接收节点发送的测试信号到达第二信号接收节点时的信号失真向量，基于确定出的第一校验因子和第二校验因子对信号失真向量进行校验得到第二校验向量以实现对测试信号的征向量进行修正，基于修正得到的特征向量采用人工智能模型进行识别，如此，能够基于人工智能模型对通信链路进行故障类型的智能判断，提高故障诊断效率。
附图说明
52.图1为本发明实施例提供的基于人工智能的通信链路故障检测系统应用场景示意图；
53.图2为本发明实施例基于人工智能的通信链路故障检测方法的流程示意图；
54.图3为本发明实施例提供的基于人工智能的通信链路故障检测装置的功能模块示意图；
55.图4为本发明实施例提供的通信故障检测设备的结构示意框图；
具体实施方式
56.下面结合说明书附图对本发明进行具体说明，方法实施例中的具体操作方法也可以应用于装置实施例或系统实施例中。
57.图1是本发明实施例提供的基于人工智能的通信链路故障检测系统应用场景示意图。基于人工智能的通信链路故障检测系统可以包括通信故障检测设备100以及与通信故障检测设备100通信连接的信号收发设备200组成。所述通信故障检测设备100可以包括人工智能计算芯片、处理器、机器可读存储介质和网络接口。图1所示的基于人工智能的通信链路故障检测系统仅为一种可行的示例，在其它可行的实施例中，该基于人工智能的通信链路故障检测系统也可以仅包括图1所示组成部分的其中一部分或者还可以包括其它的组成部分。
58.本实施例中，基于人工智能的通信链路故障检测系统的通信故障检测设备100和信号收发设备200可以通过配合执行以下实施例所描述的基于人工智能的通信链路故障检测方法，具体通信故障检测设备100和信号收发设备200的执行步骤部分可以参照以下方法实施例的详细描述。
59.为了解决前述背景技术中的技术问题，图2为本发明实施例提供的基于人工智能的通信链路故障检测方法的流程示意图，本实施例提供的基于人工智能的通信链路故障检测方法可以由图1中所示的通信故障检测设备100执行，下面对该基于人工智能的通信链路故障检测方法进行详细介绍。
60.步骤s110，获取信号收发设备发送的第一测试信号以及从第一信号接收节点至第二信号接收节点的第二测试信号。
61.步骤s120，从预存的参数配置库中确定出与第一测试信号对应的信号类别以及信
号编码方式所表征的第一信号接收节点处的第一测试信号特性以及从第一信号接收节点处到第二信号接收节点的通信链路上的第二测试信号特性。
62.步骤s130，根据第一测试信号特性以及所述第二测试信号特性，确定出从第一信号接收节点发送的测试信号到达第二信号接收节点时的信号失真向量。
63.步骤s140，根据第一测试信号的类别和信号编码方式确定所述信号失真向量的第一校验因子并根据第一测试信号中的机器码序列确定所述信号失真向量的第二校验因子。
64.步骤s150，基于第一校验因子对信号失真向量进行校验得到第一校验向量并确定第一校验向量与信号失真向量的相关性矩阵，基于相关性矩阵确定出第二校验因子对应的校验规则，基于第二校验因子以及对应的校验规则对第一校验向量进行第二次校验得到第二校验向量。
65.步骤s160，对第一测试信号进行特征提取得到第一特征向量，基于所述第二校验向量对所述第一特征向量进行修正得到第一目标特征向量，按照对第一测试信号进行特征提取的相同逻辑对第二测试信号进行特征提取得到第二特征向量，并基于第二校验向量对所述第二特征向量进行修正得到第二目标特征向量。
66.步骤s170，将所述第一目标特征向量与所述第二目标特征向量进行特征融合，并使用预设人工智能模型进行识别，从而得到通信链路故障类型和故障节点定位的结果。
67.本实施例中，信号收发设备200可以实现不同信号的收发，包括模拟信号和数字信号等不同类型的信号，在一些实施例中模拟信号可以包括电流信号、电压信号、温度信号等。在一些实时例中，数字信号可以包括二进制信号，十六进制信号，字符串信号等，或其任意组合。测试的发送时间间隔和发送持续时间可以根据用户以及具体的环境灵活配置，例如可以设置1分钟为一个时间间隔段发送测试信号，也可以设置30秒、20秒等时间段，也可以设计为随机时间间隔段，测试信号信号发送持续时间，可以为1秒，10秒等任意持续实现，或其任意组合，本实施例在此不作具体限制。
68.可以理解，基于上述步骤s110至步骤s170，能够获取信号收发设备发送的第一测试信号并从预存的参数配置库中确定出与所述第一测试信号对应的信号类别所表征的第一信号接收节点处的第一测试信号特性以及从第一信号接收节点处到第二信号接收节点的通信链路上的第二测试信号特性，确定出从第一信号接收节点发送的测试信号到达第二信号接收节点时的信号失真向量，基于确定出的第一校验因子和第二校验因子对信号失真向量进行校验得到第二校验向量以实现对测试信号的征向量进行修正，基于修正得到的特征向量采用人工智能模型进行识别，如此，能够基于人工智能模型对通信链路进行故障类型的智能判断，提高故障诊断效率。
69.在具体实施过程中，为了确定通信链路故障对测试信号的影响，需提取信号在通信链路传布过程中的信号失真向量，针对步骤s130，根据所述第一测试信号特性以及所述第二测试信号特性，确定出从第一信号接收节点发送的测试信号到达第二信号接收节点时的信号失真向量的步骤，具体可以包括以下内容。
70.步骤s1301，确定所述第一测试信号特性的第一信息熵以及所述第二测试信号特性的第二信息熵，通过预设的信号特性类别划分规则建立信号特性类别集合并基于所述第一信息熵和所述第二信息熵的比值将信号特性类别集合进行切分得到第一信号特性类别子集和第二信号特性类别子集，分别为所述第一信号特性类别子集和所述第二信号特性类
别子集分配第一算力资源和第二算力资源。
71.其中，所述第一信息熵和所述第二信息熵用于表征所述第一测试信号和所述第二测试信号的信息量大小，预设的信号特性类别划分规则是基于信号类别和信号编码特征，在所述信号收发设备中所需要的信号处理方式得到的，所述第一测试信号特性类别子集和所述第二测试信号特性类别子集是相互独立的互斥集合，所述第一算力资源和所述第二算力资源用于表征对所述第一测试信号特性子集和所述第二测试信号特性子集进行信号处理所需要的计算资源。
72.步骤s1302，分别将所述第一测试信号特性和所述第二测试信号特性映射值所述第一信号特性类别子集和所述第二信号特性类别子集，基于所述第一算力资源和所述第二算力资源分别对所述第一测试信号和所述第二测试信号进行信号处理得到第一信号处理结果和第二信号处理结果。
73.其中，所述第一信号处理结果和所述第二信号处理结果中分别包括第一信号完整度和第二信号完整度，用于表征信号经过传输以后的信息丢失率。
74.步骤s1303，从所述第一信号处理结果中的第一信号完整度中确定出第一目标影响因子以及所述第二信号处理结果中的第二信号完整度中确定出第二目标影响因子，所述第一目标影响因子以及所述第二目标影响因子是对测试信号在信号经过通信链路传输存在影响的通信链路故障对应的标识。
75.步骤s1304，基于所述第一目标影响因子和所述第二目标影响因子，确定所述第一目标影响因子和所述第二目标影响因子之间的关联关系，并根据所述关联关系将相关性强的第一目标影响因子和第二目标影响因子预设的信号失真配对列表中以确定出第一目标影响因子对应的第一信号失真响应数组和第二目标影响因子对应的第二信号失真响应数组，所述信号失真配对列表中包括由不同通信链路故障对同一测试信号的失真影响系数，所述失真影响系数用于表征测试信号在通信链路内的平均信号丢失率。
76.步骤s1305，确定出所述第一失真响应数组中的每个第一失真影响系数的第一环境扰动权重以及所述第二失真响应数组中的每个第二失真影响系数的第二环境扰动权重，根据所述环境扰动权重的大小对所述第一环境扰动权重和所述第二环境扰动权重进行由大到小的排序得到第一目标序列，并基于所述第一目标序列对所述第一失真影响系数和所述第二失真影响序列进行排序得到第二目标序列，将所述第一目标序列和所述第二目标序列元素对应相乘得到信号失真向量，所述环境扰动权重用于表征不同环境因素对信号在通信链路中传输时产生的信号突变和衰减的影响。
77.在本实施例中，基于上述步骤，能够第一测试信号特性以及第二测试信号特性，确定出从第一信号接收节点发送的测试信号到达第二信号接收节点时的信号失真向量。
78.在上述基础上，确定信号的校验因子，对信号进行修正，为提高校验精度，需要确定两个校验因子进行两次校验，针对步骤s140，根据第一测试信号的类别和信号编码方式确定所述信号失真向量的第一校验因子并根据第一测试信号中的机器码序列确定所述信号失真向量的第二校验因子，具体可以包括以下内容。
79.步骤s1401，根据所述第一测试信号的信号类别，在预存的参数配置库中确定出与所述第一测试信号的信号类别匹配度大于预设值的类别标识，并将所述每个类别标识作为一个维度组成第一目标向量，所述第一目标向量维度和所述类别标识在故障检测设备中以
二进制的形式进行存储，所述匹配度根据信号编码方式对所述二进制形式存储的第一目标向量维度标识和所述类别标识进行解码，然后通过所述向量维度标识和所述类别标识在对应位置上连续相同的二进制数值串占总的编码长度的比例得到。
80.步骤s1402，确定所述第一测试信号的信号类别对应的信号传输稳定性，所述信号传输稳定性用于表征测试信号在通信链路中传输时的数据包丢失率。
81.步骤s1403，确定第一目标向量中的每个第一目标向量元素值与所述信号传输稳定性之间的关联系数，所述关联系数用于表征每个第一目标向量元素与所述信号传输稳定性之间的关联程度，根据所述关联系数为每个第一目标向量值分配第一加权系数，并根据分配了所述第一加权系数的第一目标向量值确定所述第一校验因子。
82.步骤s1404，从所述第二信号接收节点上的信号收发设备上获取所述机器码序列并将所述机器码序列头部预设机器码位数的序列列出，得到第一机器码标识序列。
83.步骤s1405，确定所述第一机器码标识序列的特征向量，所述特征向量用于唯一标识所述机器码序列的所表示的信号特性。
84.步骤s1406，判断所述特征向量的维度是否与所述失真向量的向量维度关系，若所述失真向量的维度高于所述特征向量维度，则对所述特征向量进行维度扩展，然后根据所述扩展后的特征向量在所述失真向量中投影确定失真向量中第二目标向量元素值的第二加权系数确定所述失真向量的第二校验因子；
85.若所述失真向量的维度与所述特征向量维度相同，则根据所述扩展后的特征向量在所述失真向量中投影确定失真向量中第二目标向量元素值的第二加权系数确定所述失真向量的第二校验因子；
86.若所述失真向量的维度低于所述特征向量维度，则对所述特征向量进行截断，然后根据所述扩展后的特征向量在所述失真向量中投影确定失真向量中第二目标向量元素值的第二加权系数确定所述失真向量的第二校验因子。
87.基于上述内容，能够获取第一校验因子和第二校验因子，从而为后续失真向量校验提供基础。
88.在上述基础上，为了得到更好的信号校验结果，需对失真向量进行两次校验和修正，针对步骤s150，基于第一校验因子对信号失真向量进行校验得到第一校验向量并确定第一校验向量与信号失真向量的相关性矩阵，基于相关性矩阵确定出第二校验因子对应的校验规则，基于第二校验因子以及对应的校验规则对第一校验向量进行第二次校验得到第二校验向量，具体可以包括以下内容。
89.步骤s1501，从所述第二校验因子中提取与所述第二校验因子中的当前校验值对应的相关性矩阵，获取所述相关性分布矩阵中包括的当前校验值的对应的测试信号失真统计信息并拟合出测试信号失真函数。
90.其中，所述测试信号失真函数用于表征测试信号的失真规律，所述当前校验值为所述第二校验因子中与所述第一校验向量中的每个校验元素均存在设点关系的向量元素值，所述设定关系用于表征当前向量元素值与所述第一校验向量存在失真关联。
91.步骤s1502，将每个校验向量元素映射至所述测试信号失真函数曲线中得到每个校验向量元素值再所述测试信号失真函数中的校验节点，根据每个校验节点在所述测试信号失真函数曲线中所处的位置对每个校验节点对应的校验向量元素值进行修正，得到修正
后的校验向量元素值，根据所述修正后的校验向量元素值得到所述第二校验向量。
92.基于上述基础，对第一测试信号进行特征提取得到第一特征向量，基于所述第二校验向量对所述第一特征向量进行修正得到第一目标特征向量，按照对第一测试信号进行特征提取的相同逻辑对第二测试信号进行特征提取得到第二特征向量，并基于第二校验向量对所述第二特征向量进行修正得到第二目标特征向量。
93.如此，便能通过第一目标特征向量和第二目标特征向量对所测试的通信链路的通信特征进行准确描述。
94.本实施例中，上述第一信号接收节点和所述第二信号接收节点为统一通信链路上的通信连接的不同节点，如通信网关和信号接收终端两个节点，或其他合法的网络节点，所述第一测试信号和所述第二测试信号存储具有关联性，本实施例中，采用一张关联表描述第一测试信号和第二测试信号的关联性。
95.本实施例中，为了得到具体的通信链路故障诊断结果，需对提取的特征进行智能识别，针对步骤s170，将所述第一目标特征向量与所述第二目标特征向量进行特征融合，使用预设人工智能模型进行识别，从而得到通信链路故障类型和故障节点定位的结果，具体可以包括以下内容。
96.步骤s1701，获取所述第一目标特征向量的第一目标特征向量维度和所述第二目标特征向量的第二目标特征向量维度。
97.步骤s1702，若所述第一目标特征向量维度与所述第二目标特征向量维度相同，则将第一目标特征向量元素与对应位置的第二目标特征向量元素进行加权融合得到第一融合向量。
98.步骤s1703，若所述第一目标特征向量维度小于所述第二目标特征向量维度，则将所述第一目标特征向量与所述第二目标特征向量进行拼接得到第一融合向量，所述第二目标特征向量元素在前.
99.步骤s1704，若所述第一目标特征向量维度大于所述第二目标特征向量维度，则将所述第一目标特征向量与所述第二目标特征向量进行拼接得到第一融合向量，所述第一目标特征向量元素在前。
100.步骤s1705，将所述第一融合向量作为输入，加载预设人工智能模型进行前向推理，得到识别结果，所述预设人工智能模型为根据大量的通信链路故障数据集训练得到，所述识别结果包括与通信链路故障类型相对应的整数标志以及与故障节点与当前测试节点的相对位置。
101.可以理解，基于上述内容，便能基于测试信号，并提取信号的特征采用人工智能模型进行识别，如此，能够基于人工智能模型对通信链路进行故障类型的智能判断，提高故障诊断效率。
102.在上述的基础上，结合图3，为本发明实施例提供的基于人工智能的通信链路故障检测装置的功能模块示意图，包括以下模块。
103.获取模块310，用于获取信号收发设备发送的第一测试信号以及从第一信号接收节点至第二信号接收节点的第二测试信号，所述第一测试信号和所述第二测试信号均包括信号类别标识和信号编码方式。
104.第一确定模块320，用于根据所述第一测试信号特性以及所述第二测试信号特性，
确定出从第一信号接收节点发送的测试信号到达第二信号接收节点时的信号失真向量。
105.第二确定模块330，用于根据所述第一测试信号的类别和信号编码方式确定所述信号失真向量的第一校验因子并根据所述第一测试信号中的机器码序列确定所述信号失真向量的第二校验因子。
106.校验模块340，用于基于所述第一校验因子对所述信号失真向量进行第一次校验得到第一校验向量并确定所述第一校验向量与所述信号失真向量的相关性矩阵，基于所述相关性矩阵确定出所述第二校验因子对应的校验规则，基于所述第二校验因子以及所述对应的校验规则对所述第一校验向量进行第二次校验得到第二校验向量。
107.修正模块350，用于对所述第一测试信号进行特征提取得到第一特征向量，基于所述第二校验向量对所述第一特征向量进行修正得到第一目标特征向量，按照对所述第一测试信号进行特征提取的相同逻辑对所述第二测试信号进行特征提取得到第二特征向量，并基于所述第二校验向量对所述第二特征向量进行修正得到第二目标特征向量。
108.识别模块360，用于将所述第一目标特征向量与所述第二目标特征向量进行特征融合，并使用预设人工智能模型进行识别，从而得到通信链路故障类型和故障节点定位的结果。
109.需要说明的是，应理解以上装置的各个模块的划分仅仅是一种逻辑功能的划分，实际实现时可以全部或部分集成到一个物理实体上，也可以物理上分开。且这些模块可以全部以软件通过处理元件调用的形式实现；也可以全部以硬件的形式实现；还可以部分模块通过处理元件调用软件的形式实现，部分模块通过硬件的形式实现。例如，校验模块340可以为单独设立的处理元件，也可以集成在上述装置的某一个芯片中实现，此外，也可以以程序代码的形式存储于上述装置的存储器中，由上述装置的某一个处理元件调用并执行以上校验模块340的功能。其它模块的实现与之类似。此外这些模块全部或部分可以集成在一起，也可以独立实现。这里所描述的处理元件可以是一种集成电路，具有信号的处理能力。
110.本发明实施例还提供了一种通信故障检测设备，通信故障检测设备可以是服务器，也可以是便携式设备，图4示出了本发明实施例提供的通信故障检测设备100的结构示意框图，如图4所示，通信故障检测设备100可包括处理器130、机器可读存储介质150、总线140、网络接口110以及人工智能计算芯片120。
111.在具体实现过程中，至少一个处理器130执行所述机器可读存储介质150存储的计算机执行指令，使得处理器130可以执行如上方法实施例的基于人工智能人体步态验证方法，其中，处理器130、机器可读存储介质150以及网络接口110通过总线140连接，处理器130可以用于控制网络接口110的收发动作，从而可以与前述的信号收发设备200通过网络进行数据收发，深度学习加速芯片120实现深度学习网络前线推理计算的并行处理，加快计算速度。
112.处理器130的具体实现过程可参见上述基于人工智能的通信链路故障检测方法执行的各个方法实施例，其实现原理和技术效果类似，本实施例此处不再赘述。
113.在上述的图4所示的实施例中，应理解，处理器可以是中央处理单元(central processing unit，cpu)，还可以是其他通用处理器、数字信号处理器(digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合发明所公开
的方法的步骤可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。
114.机器可读存储介质150可能包含高速ram存储器，也可能还包括非易失性存储nvm，例如至少一个磁盘存储器。
115.总线140可以是工业标准体系结构(industry standard architecture，isa)总线、外部设备互连(peripheral component interconnect，pci)总线或扩展工业标准体系结构(extended industry standard architecture，eisa)总线等。总线140可以分为地址总线、数据总线、控制总线等。为便于表示，本技术附图中的总线并不限定仅有一根总线或一种类型的总线。
116.人工智能计算芯片120可以是通用图形处理器(graphics processing unit,gpu)，还可以是其他具备数据并行计算能力的专用芯片专用集成电路(application specific integrated circuit，asic)或者商业公司出品的成熟商用计算芯片。
117.最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不驱使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。