1.一种异构网络环境下的基于深度学习的网络故障诊断方法，其特征是，首先通过分析异构网络故障场景，确定监测阶段和故障诊断阶段将要使用的特征；

然后利用最小冗余最大相关性算法选取监测阶段最优特征子集，对其进行权重预处理后与网络数据库中的故障特征进行匹配，若匹配度大于阈值时，触发故障诊断阶段，采集异构网络全部状态数据，经过数据预处理后，利用卷积神经网络对处理后的数据进行训练，同时引入交叉熵损失函数，通过反向传播算法完成模型参数调整；

最后根据得到的最优模型，对异构网络进行故障定位和诊断。

2.根据权利要求1所述的一种异构网络环境下的基于深度学习的网络故障诊断方法，其特征是，包括如下步骤：

1)分析异构网络环境特征参数，利用mRMR算法选取最优特征集KPIs；

2)采集最优KPIs网络数据，并进行权重预处理；

3)定义数据分布相似度因子α，当线上KPIs参数分布和数据库中故障状态下参数分布的质心距离dis<α，则转到步骤4),否则转到步骤2)；

4)采集网络全部数据，并对样本完成数据预处理；

5)建立卷积神经网络CNN模型，并随机初始化网络各层的参数；

6)引入交叉熵损失函数，基于反向传播算法更新网络权重和偏置量；

7)根据6)得到的CNN模型对网络故障进行诊断。

3.根据权利要求2所述的一种异构网络环境下的基于深度学习的网络故障诊断方法，其特征是，所述步骤1)中异构网络环境特征为无线网络信号干扰、小区基站负载不均衡和小区中断三类网络故障的特征。

4.根据权利要求2所述的一种异构网络环境下的基于深度学习的网络故障诊断方法，其特征是，所述步骤1)利用mRMR算法选取最优特征集KPIs具体内容为：利用mRMR算法遍历不同类型的网络节点，基于特征和分类变量相关度的最大化准则做优化，即选择和分类变量之间拥有最高相关度的前k个变量，从而得到最优网络参数子集。

5.根据权利要求2所述的一种异构网络环境下的基于深度学习的网络故障诊断方法，其特征是，所述步骤2)具体内容为：利用归一化权重公式计算最优特征参数基于时间窗口的分布权重向量，再利用Earth Mover’s Distance的改进算法计算线上KPIs参数分布和数据库中故障状态下参数分布的质心距离dis，即相似度。

6.根据权利要求2所述的一种异构网络环境下的基于深度学习的网络故障诊断方法，其特征是，所述步骤4)具体内容为：对网络中的数据每隔一个预设的时间间隔采集一次，采集的数据包括网络组件的上报数据，收集到的网络组件的本地软件错误日志文件信息；

在网络数据集合中对故障的部分采用过采样的方法，对正常数据部分采用欠采样的方法。

7.根据权利要求2所述的一种异构网络环境下的基于深度学习的网络故障诊断方法，其特征是，所述步骤5)中随机初始化具体采用服从高斯分布的随机初始化方法初始化CNN模型的权重和偏置量。

8.根据权利要求2所述的一种异构网络环境下的基于深度学习的网络故障诊断方法，其特征是，所述步骤6)具体内容为：根据输入的预处理后的参数向量矩阵和随机得到的初始权重，利用时间反向传播算法，最小化损失函数，更新神经网络权重值；

在最后一层采用Softmax多分类器，输入故障标签进行有监督训练，实现对以上各个层的网络参数的微调更新，最终得到最优的网络故障诊断模型。

9.根据权利要求8所述的一种异构网络环境下的基于深度学习的网络故障诊断方法，其特征是，所述步骤7)具体内容为：根据步骤6)得到的最佳网络参数生成的网络模型，将新检测得到的网络数据作为输入向量输入到模型中，最终输出发生故障的网络组件。