[發(fā)明專利]一種基于指紋識別的自適應(yīng)設(shè)備識別方法及系統(tǒng)

有效

• 申請?zhí)枺?/td>: 201710548621.7
• 申請日: 2017-07-06
• 公開（公告）號: CN107392121B
• 公開（公告）日: 2023-05-09
• 發(fā)明（設(shè)計）人: 蔣昌俊;閆春鋼;丁志軍;張亞英;周婉;王松
• 申請（專利權(quán)）人: 同濟大學
• 主分類號: G06V40/13
• 分類號: G06V40/13;G06F21/32
• 代理公司: 上海光華專利事務(wù)所(普通合伙) 31219
• 代理人: 王華英

1.一種基于設(shè)備指紋識別的自適應(yīng)設(shè)備識別方法，其特征在于，包括：

獲取用戶登錄信息，實時采集所述用戶的指紋登錄數(shù)據(jù)和移動端及瀏覽器端的用戶設(shè)備數(shù)據(jù)并保存為設(shè)備記錄信息；

篩選所述指紋登錄數(shù)據(jù)，提取出登錄特征信息為樣本特征信息；數(shù)值化所述樣本特征信息得散列特征數(shù)值，歸一化所述散列特征數(shù)值為樣本特征數(shù)值，將所述樣本特征數(shù)值轉(zhuǎn)化為多維特征向量；所述數(shù)值化所述樣本特征信息得散列特征數(shù)值，歸一化所述散列特征數(shù)值為屬性數(shù)據(jù)，將所述樣本特征數(shù)值轉(zhuǎn)化為多維特征向量，包括：采用哈希散列方法將所述樣本特征信息中的字符串型屬性值映射到特定位數(shù)的整數(shù)區(qū)間內(nèi)得到散列特征值；歸一化所述散列特征值為預(yù)設(shè)特點區(qū)間中的所述屬性數(shù)據(jù)；根據(jù)所述屬性數(shù)據(jù)將所述樣本特征信息轉(zhuǎn)化為所述多維特征向量；

以樣本的多維特征向量作為輸入，根據(jù)預(yù)設(shè)的相似性度量函數(shù)確定聚類算法的K值；所述以樣本的多維特征向量作為輸入，根據(jù)預(yù)設(shè)的相似性度量函數(shù)確定聚類算法的K值，包括：根據(jù)多維特征信息獲取所述用戶對應(yīng)的全部所述設(shè)備記錄信息；以各條所述設(shè)備記錄信息為頂點相連線為邊，以漢明距離為所述邊權(quán)重，構(gòu)建所述用戶的帶權(quán)無向圖；輸入所述多維特征向量和預(yù)設(shè)閾值；隨機設(shè)置所述帶權(quán)無向圖中任一所述設(shè)備記錄信息作為初始簇中心；遍歷所述設(shè)備記錄信息，判斷所述初始簇中心及非中心設(shè)備信息間的漢明距離是否小于所述預(yù)設(shè)閾值；若是，則將當前所述設(shè)備記錄信息放入近距離集中，簇中心計數(shù)加1；若否，則將當前所述設(shè)備記錄信息放回原集合供遍歷；根據(jù)所述簇中心計數(shù)得所述K值；用自適應(yīng)聚類算法對每個用戶的設(shè)備數(shù)據(jù)重新聚類，確定新的聚類中心，直至收斂，并計算可信閾值；

根據(jù)所述聚類算法確定簇中心并保存；

對比設(shè)備信息與所述簇中心的漢明距離與可信閾值，根據(jù)所述漢明距離和所述可信閾值的比較結(jié)果來識別新登錄設(shè)備。

2.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述獲取用戶登錄信息，實時采集所述用戶的指紋登錄數(shù)據(jù)和移動端及瀏覽器端的用戶設(shè)備數(shù)據(jù)并保存為設(shè)備記錄信息，包括：

獲取當前用戶的指紋數(shù)據(jù)，采集與所述指紋數(shù)據(jù)對應(yīng)的所述設(shè)備記錄信息；

根據(jù)所述指紋數(shù)據(jù)獲取標識符；

根據(jù)所述標識符獲取原始樣本；

保存所述標識符，將所述標識符序列化成標識符字符串；

根據(jù)所述標識符字符串解析出樣本特征，保存所述樣本特征；

根據(jù)用戶的所述指紋數(shù)據(jù)獲取所述設(shè)備記錄信息；

根據(jù)所述樣本特征，將所述用戶的所有所述設(shè)備記錄信息匯總為原始訓練數(shù)據(jù)集。

3.根據(jù)權(quán)利要求2所述的方法，其特征在于，所述篩選所述指紋登錄數(shù)據(jù)，提取出設(shè)備登特征信息為樣本特征信息，包括：

獲取所述標識符字符串中的隱性標識符；

根據(jù)信息增益原理篩選所述隱性標識符得相關(guān)標識符；

根據(jù)所述相關(guān)標識符選擇樣本特征信息。

4.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述根據(jù)所述聚類算法確定簇中心并保存，包括：

獲取所述K值，初始化簇中心；

以各條所述設(shè)備記錄信息為頂點相連線為邊，以漢明距離為所述邊權(quán)重，構(gòu)建所述用戶的帶權(quán)無向圖；

根據(jù)樣本點與每一中心點的漢明距離將數(shù)據(jù)集中的對象聚類；

計算每一簇中兩樣本點之間的漢明距離，取和其他記錄的距離之和最小的樣本點作為新的簇中心。

5.根據(jù)權(quán)利要求4所述的方法，其特征在于，所述對比所述設(shè)備信息與所述簇中心的漢明距離與可信閾值，根據(jù)所述漢明距離和所述可信閾值的比較結(jié)果來識別新登錄設(shè)備，包括：

對所述設(shè)備記錄信息進行數(shù)據(jù)預(yù)處理和特征提?。?/p>

提取出所述用戶對應(yīng)的所述簇中心和所述可信閾值；

計算所述設(shè)備記錄信息與每個所述簇中心的漢明距離，判斷所述設(shè)備記錄信息所有所述漢明距離是否都大于所述可信閾值；

若是，則判斷所述設(shè)備記錄信息對應(yīng)的設(shè)備不可信；

若否，則判定所述設(shè)備記錄信息對應(yīng)是設(shè)備為可信設(shè)備，更新所述用戶的簇中心。