1.一种多参数感知的高精度网络故障筛选定位系统，包括故障预测、故障筛选和故障定位三个模块，其特征在于，建立网络的二分图模型作为故障传播模型，预测模块建立网络的二分图模型，设定时间窗口长度，周期性地获取网络中的征兆集合SN，对单一窗口内的征兆集合SN进行识别，对si∈SN，找出与其相关的所有故障集合F(si)，调用公式 获取网路中最大可能故障集合；筛选模块将最大可能故障集合HMax转化为原始信号X，对故障集合HMax＝{f1,f2,…,fn}中的所有元素，根据公式C(fi)＝|s|s∈d(fi)∩SN}|依次确定故障的覆盖范围，将所有C(fi)组成数据序列为原始信号X，其中fi为集合HMax中第i个元素，n为原始信号X中数据的个数；根据感知矩阵A调用公式y＝AX得到信号X的观测值y，观测值中具有最小非零元素数目的信号为重构信号，建立重构信号的故障集合HSlected，所述感知矩阵A为对角矩阵，具体构建方法为，根据公式αSI＝μ·Max{x1,x2,…,xn}计算阈值αSI，其中，μ(0≤μ≤1)为尺度因子，根据公式 确定感知矩阵A的对角元素ai，A＝diag(a1,a2,…,an)；

根据公式 计算理想信息熵H1(f)，根据公式

计算征兆集合SN对故障f提供的信息熵

H2(f)；根据公式ΔH(f)＝H1(f)-H2(f)计算故障f的信息熵差ΔH(f)；定位模块根据信息熵差对筛选模块得到的故障集合HSlected进行处理，得到最终故障定位结果，其中，d(f)表示故障f的所有征兆的集合，X＝(x1,x2,…,xn)，S(f)表示所有与故障f相关的征兆的集合，SO表示网络中所有可以被观察到的征兆的集合,SN表示一个时间窗口内网络中所有收集到的征兆的集合，p(f|si)表示征兆si可以解释故障f的概率。

2.一种多参数感知的高精度网络故障筛选定位方法，其特征在于，建立网络的二分图模型作为故障传播模型，预测模块建立网络的二分图模型，设定时间窗口长度，周期性地获取网络中的征兆集合SN，对单一窗口内的征兆集合SN进行识别，对si∈SN，找出与其相关的所有故障集合F(si)，调用公式： 获取最大可能故障集合HMax；筛选模块将最大可能故障集合HMax转化为原始信号X，对故障集合HMax＝{f1,f2,…,fn}中的所有元素，根据公式：C(fi)＝|s|s∈d(fi)∩SN}|依次确定故障的覆盖范围,将所有C(fi)组成数据序列为原始信号X，其中fi为集合HMax中第i个元素，n为信号X中数据的个数；根据感知矩阵A调用公式：y＝AX得到信号X的观测值y，观测值中具有最小的非零元素数目的信号为重构信号，建立重构信号的故障集合，所述感知矩阵A为对角矩阵，具体构建方法为，根据公式αSI＝μ·Max{x1,x2,…,xn}计算阈值αSI，其中，μ(0≤μ≤1)为尺度因子，根据公式： 确定感知矩阵A的对角元素ai，A＝diag(a1,a2,…,an)；

根据公式： 计算理想信息熵H1(f)，根据公

式： 计算征兆集合SN对故障f提供的信息熵

H2(f)；根据公式：ΔH(f)＝H1(f)-H2(f)计算故障f的信息熵差ΔH(f)，定位模块根据信息熵差对筛选模块得到的故障集合HSlected进行处理，得到最终故障定位结果，其中，d(f)表示故障f的所有征兆的集合，X＝(x1,x2,…,xn)，S(f)表示所有与故障f相关的征兆的集合，SO表示网络中所有可以被观察到的征兆的集合,SN表示一个时间窗口内网络中所有收集到的征兆的集合，p(f|si)表示征兆si可以解释故障f的概率。

3.根据权利要求2所述的故障筛选定位方法，其特征在于，依次取出HSlected中的故障fi(fi∈HSlected)，如果 则认为故障fi发生，根据公式Sexplained＝S(fi)∪Sexplained，H＝H∪{fi}更新集合Sexplained和H；对HSlected中故障逐一更新后，得到结果为最终故障定位结果，其中，S(fi)为与故障fi相关的征兆集合，Sexplained为故障集合H解释的征兆集合。