[發(fā)明專利]一種通信網(wǎng)關(guān)機(jī)遙控參數(shù)智能模糊比對(duì)方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201710953477.5
• 申請(qǐng)日: 2017-10-13
• 公開（公告）號(hào): CN107730002B
• 公開（公告）日: 2020-06-02
• 發(fā)明（設(shè)計(jì)）人: 彭熹;業(yè)婭;李龍;崔卓;袁超雄;魏續(xù)彪;吳潘;劉爍;陳尚敏;侯備
• 申請(qǐng)（專利權(quán)）人: 國(guó)網(wǎng)湖南省電力公司;國(guó)網(wǎng)湖南省電力公司檢修公司;國(guó)家電網(wǎng)公司
• 主分類號(hào): G06N3/08
• 分類號(hào): G06N3/08;G06N3/04
• 代理公司: 湖南兆弘專利事務(wù)所(普通合伙) 43008
• 代理人: 譚武藝

1.一種通信網(wǎng)關(guān)機(jī)遙控參數(shù)智能模糊比對(duì)方法，其特征在于實(shí)施步驟包括：

1）輸入待比對(duì)的通信網(wǎng)關(guān)機(jī)的兩個(gè)遙控參數(shù)X₁和X₂；

2）將兩個(gè)遙控參數(shù)X₁和X₂分別通過(guò)預(yù)先訓(xùn)練好的詞向量模型M1轉(zhuǎn)換為相同維度的一維向量[X₁]和 [X₂]；

3）將一維向量[X₁]輸入卷積神經(jīng)網(wǎng)絡(luò)CNN1，同時(shí)將一維向量[X₂] 輸入卷積神經(jīng)網(wǎng)絡(luò)CNN2，所述卷積神經(jīng)網(wǎng)絡(luò)CNN1和卷積神經(jīng)網(wǎng)絡(luò)CNN2為共享參數(shù)的兩個(gè)對(duì)稱的卷積神經(jīng)網(wǎng)絡(luò)，所述卷積神經(jīng)網(wǎng)絡(luò)CNN1和卷積神經(jīng)網(wǎng)絡(luò)CNN2將一維向量[X₁]和[X₂]構(gòu)成的二維矩陣重新編碼為一維向量后接入同一個(gè)神經(jīng)網(wǎng)絡(luò)層，并通過(guò)神經(jīng)網(wǎng)絡(luò)層計(jì)算卷積神經(jīng)網(wǎng)絡(luò)CNN1和卷積神經(jīng)網(wǎng)絡(luò)CNN2輸出的一維向量[X’₁]和 [X’₂]之間距離；

4）判斷卷積神經(jīng)網(wǎng)絡(luò)CNN1和卷積神經(jīng)網(wǎng)絡(luò)CNN2輸出的一維向量[X’₁]和 [X’₂]之間距離是否大于預(yù)設(shè)閾值，如果大于預(yù)設(shè)閾值，則判定兩個(gè)遙控參數(shù)X₁和X₂之間模糊匹配成功，否則判定兩個(gè)遙控參數(shù)X₁和X₂之間模糊匹配失敗；

其中步驟3）中的卷積神經(jīng)網(wǎng)絡(luò)CNN1和卷積神經(jīng)網(wǎng)絡(luò)CNN2的訓(xùn)練步驟如下：

3.1）導(dǎo)出通信網(wǎng)關(guān)機(jī)的參數(shù)配置文件中的網(wǎng)關(guān)機(jī)參數(shù)描述，并將網(wǎng)關(guān)機(jī)參數(shù)描述通過(guò)進(jìn)行分詞后保存為詞向量訓(xùn)練數(shù)據(jù)T1；

3.2）將詞向量訓(xùn)練數(shù)據(jù)T1使用詞向量工具進(jìn)行無(wú)監(jiān)督的模型訓(xùn)練，根據(jù)網(wǎng)關(guān)機(jī)參數(shù)描述的基本結(jié)構(gòu)將語(yǔ)義和語(yǔ)法作用相近的詞轉(zhuǎn)換成距離較近、固定長(zhǎng)度的向量，得到由固定長(zhǎng)度向量組成的詞向量模型M1；

3.3）將詞向量模型M1轉(zhuǎn)換為遙控參數(shù)樣本矩陣，其中m為詞向量的長(zhǎng)度，n為詞的數(shù)量；

3.4）基于遙控參數(shù)樣本矩陣隨機(jī)構(gòu)造訓(xùn)練樣本對(duì)，隨機(jī)打亂遙控參數(shù)樣本矩陣的順序，將遙控參數(shù)樣本矩陣兩兩配對(duì)為訓(xùn)練樣本對(duì)，如果訓(xùn)練樣本對(duì)的兩個(gè)遙控參數(shù)之間語(yǔ)義相同，則將該訓(xùn)練樣本對(duì)標(biāo)注為1，否則將該訓(xùn)練樣本對(duì)標(biāo)注為0，將所有帶有標(biāo)注的訓(xùn)練樣本對(duì)構(gòu)建得到有標(biāo)注的數(shù)據(jù)集T2作為訓(xùn)練樣本集合；

3.5）將訓(xùn)練樣本集合劃分為若干批次的子集D，每批次的子集D由支持集D_support和測(cè)試集數(shù)據(jù)D_test構(gòu)成，且構(gòu)造每批次的子集D時(shí)應(yīng)遵從：對(duì)于N類不同的遙控參數(shù)描述，每類樣本對(duì)均應(yīng)隨機(jī)選擇K個(gè)匹配的遙控參數(shù)樣本和K個(gè)不匹配的遙控參數(shù)樣本，使得每個(gè)訓(xùn)練批次內(nèi)每類有K個(gè)正例和K個(gè)反例，以保證支持集D_support的均衡，且將支持集D_support以外的其余數(shù)據(jù)構(gòu)造測(cè)試集D_test以用于驗(yàn)證模型的準(zhǔn)確率，N和K為指定的整數(shù)；

3.6）建立卷積神經(jīng)網(wǎng)絡(luò)CNN1和卷積神經(jīng)網(wǎng)絡(luò)CNN2，卷積神經(jīng)網(wǎng)絡(luò)CNN1和卷積神經(jīng)網(wǎng)絡(luò)CNN2為共享參數(shù)的兩個(gè)對(duì)稱的卷積神經(jīng)網(wǎng)絡(luò)，所述卷積神經(jīng)網(wǎng)絡(luò)CNN1和卷積神經(jīng)網(wǎng)絡(luò)CNN2將一維向量[X₁]和[X₂]構(gòu)成的二維矩陣重新編碼為一維向量后接入同一個(gè)神經(jīng)網(wǎng)絡(luò)層，且神經(jīng)網(wǎng)絡(luò)層后接一個(gè)只輸出0和1的softmax分類器層，將每批次的子集D的訓(xùn)練樣本對(duì)的一個(gè)參數(shù)樣本輸入卷積神經(jīng)網(wǎng)絡(luò)CNN1、另一個(gè)參數(shù)樣本輸入卷積神經(jīng)網(wǎng)絡(luò)CNN2，且將訓(xùn)練樣本對(duì)的標(biāo)注作為softmax分類器層的輸出來(lái)分批訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)CNN1和卷積神經(jīng)網(wǎng)絡(luò)CNN2，最終完成對(duì)卷積神經(jīng)網(wǎng)絡(luò)CNN1和卷積神經(jīng)網(wǎng)絡(luò)CNN2的訓(xùn)練。

2.根據(jù)權(quán)利要求1所述的通信網(wǎng)關(guān)機(jī)遙控參數(shù)智能模糊比對(duì)方法，其特征在于，步驟3）中計(jì)算卷積神經(jīng)網(wǎng)絡(luò)CNN1和卷積神經(jīng)網(wǎng)絡(luò)CNN2輸出的一維向量[X’₁]和 [X’₂]之間距離具體采用L2范數(shù)。