面向小样本蜂窝网络故障诊断的模型与知识互增强方法
针对现实蜂窝网络中高质量标注数据稀缺和现有领域知识难以有效利用两大核心挑战，提出了一个名为鲁棒信念加权框架（RBWF） 的创新解决方案。该框架的核心在于实现数据驱动模型与知识库之间的相互增强：模型利用知识库来提升自身诊断性能，同时模型产生的可靠结果又反过来丰富和完善知识库，形成一个良性循环。
一、研究背景与问题陈述
-
挑战：
-
数据稀缺：蜂窝网络故障发生率低，导致故障数据样本少，且专家标注成本高昂，形成“小样本”困境。
-
类别不平衡：正常状态数据远多于各类故障数据，模型容易对多数类（正常）过拟合，而难以识别少数类（故障）。
-
知识利用不足：大量专家知识以规则形式存在，但通常不完整且无法直接集成到数据驱动模型中。
-
-
目标：在仅有少量标注数据（实验中使用仅占训练集3.75%的20个样本）和一个粗糙的初始知识库（仅包含7条简单信念规则）的情况下，构建一个高性能的故障诊断系统。