层次立方网络的循环可诊断性与图学习故障诊断
《IEEE Transactions on Computers》:Cyclic Diagnosability and Graph Learning Fault Diagnosis for Hierarchical Cubic Networks
【字体:
大
中
小
】
时间:2026年10月21日
来源:IEEE Transactions on Computers 4.9
编辑推荐:
摘要:循环可诊断性是表征互连网络在循环故障约束下故障识别能力的关键指标。本文研究了层次立方网络 $HC_n$ 在 PMC(MM*)模型下的循环可诊断性,并探索了针对一般故障集的实际诊断算法。在理论上,利用 $HC_n$ 的层次分解、交叉边的完美匹配结构以及 4-环的邻域性质,
摘要:循环可诊断性是表征互连网络在循环故障约束下故障识别能力的关键指标。本文研究了层次立方网络 $HC_n$ 在 PMC(MM*)模型下的循环可诊断性,并探索了针对一般故障集的实际诊断算法。在理论上,利用 $HC_n$ 的层次分解、交叉边的完美匹配结构以及 4-环的邻域性质,我们构造不可区分的故障集来推导上界,并通过分量分析和循环邻域估计建立相应的下界。我们证明了在两种模型下 $ct(HC_n) = 5n - 5$,从而确定了 $HC_n$ 精确的循环故障识别能力。在算法方面,我们提出了两种轻量级结构增强诊断算法:LSEDA-PMC 和 MM*-DCGNN。LSEDA-PMC 整合了目标节点可疑度、测试节点可靠性和局部结构一致性来增强基于 PMC 的故障分类。MM*-DCGNN 从观测到的综合征构建掩码感知特征,分离正常与异常证据通道,并学习比较器可靠性及异常证据分配,以处理不完整和有歧义的 MM* 结果。在 $HC_{10}$、星图网络 $S_6$、数据中心网络 BCube(10, 3)、美国西部电网和 Gnutella04 上进行了广泛的实验,涵盖各种故障规模,包括参数敏感性分析、真实网络评估、对比实验、消融实验以及不完整综合征鲁棒性分析。结果表明,我们的方法在准确率、召回率、阴性预测值(NPV)、F1 分数和假阴性率(FNR)方面实现了稳定的诊断性能,并有效减少了高故障率、稀疏网络和不完整综合征设置下的漏诊。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号