[發明專利]基于深度學習網絡的物聯網設備的識別方法

在審

• 申請號: 202111430144.7
• 申請日: 2021-11-29
• 公開（公告）號: CN114091616A
• 公開（公告）日: 2022-02-25
• 發明（設計）人: 孟維;蔡勇;陳大龍;劉浪
• 申請（專利權）人: 南京華蘇科技有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06F40/216;G06N3/04;G06N3/08;H04L67/12;G16Y30/00;G16Y40/20
• 代理公司: 南京北辰聯和知識產權代理有限公司 32350
• 代理人: 陸中丹

1.一種基于深度學習網絡的物聯網設備的識別方法，其特征在于，包括以下步驟：

S1：結合SOINN和SVM構建增量式監督學習方法SOINN-SVM，實現設備品牌分類器的增量學習，識別設備品牌；

S2：優化正則匹配結果，給予型號字段大于0.42的權重值；

S3：結合Jaro距離與權重值計算待識別設備與型號特征庫的匹配度，識別設備型號。

2.根據權利要求1所述的基于深度學習網絡的物聯網設備的識別方法，其特征在于，所述步驟S1的具體步驟為：

S11：采集數據并對數據打上標簽作為品牌識別和型號識別的訓練數據；

S12：識別模塊利用帶標簽數據進行離線訓練，初始化品牌分類器和型號特征庫；

S13：將帶有品牌標簽的訓練數據經過SOINN網絡進行壓縮；

S14：原型數據獲得更新調整后重新訓練SVM品牌分類器；

S15：根據品牌識別的結果加載對應品牌的型號特征庫并計算文本相似度。

3.根據權利要求2所述的基于深度學習網絡的物聯網設備的識別方法，其特征在于，所述步驟S13具體包括以下步驟：

S131：初始化神經元集合N的權重，初始化邊集合C空集；

S132：輸入一個新的數據樣本ξ；

S133：計算神經元S₁和S₂的相似度閾值和

S134：進行壓縮操作，獲得壓縮后的數據。

4.根據權利要求2所述的基于深度學習網絡的物聯網設備的識別方法，其特征在于，所述步驟S4具體包括以下步驟：

S141：利用SVM分類器進行識別；

S142：若SVM分類器給出的概率結果大于閾值θ₁，判為結果有效并輸出結果，否則，判為可信度太低，無法識別；

S143：當有效識別的數據每達到δ條數據，就將它們作為帶標簽數據輸入到SOINN網絡中更新模型。

5.根據權利要求1所述的基于深度學習網絡的物聯網設備的識別方法，其特征在于，所述步驟S2利用TF-IDF技術優化正則匹配結果，給予型號字段高權重值的具體步驟為：

S21：TF-IDF包含詞頻TF和逆文本頻率IDF；記文本集合為D，其中的單個文本為d，D_ij為第i個文本的第j個詞，那么定義詞D_ij的詞頻為：

式中，n_ij為第i個文本的第j個詞在該文本中出現的次數：n_i為第i個文本中的單詞總數.定義逆文本頻率：

式中，|D|表示文檔總數；|k：D_ij∈d_k|表示含有該詞的文檔數目，最后，定義該詞的TF-IDF權重為：

ω_ij＝f_ijg_ij；

S22：引入TF-IDF增加正確的型號字段在匹配過程中的權重，利用正則表達式：

([A-Z][A-Za-z]*-*[0-9]+-*[A-Za-z0-9]*)；

再從文本數據中抓取型號關鍵詞。

6.根據權利要求1所述的基于深度學習網絡的物聯網設備的識別方法，其特征在于，所述步驟S3中獲取Jaro距離的具體步驟為：

所述Jaro距離用來表示2個字符串之間的相似度，對于2個字符串u₁和u₂之間的Jaro距離計算公式為：

式中，J為Jaro距離：l為2個字符串中相互匹配的字符數量；u₁和u₂分別表示2個字符串u₁和u₂的長度，t為匹配字符中需要換位的個數.定義匹配閾值為

當字符串u₁和u₂相同，且字符串u₁和u₂的相對位置小于時，則認為字符串u₁和u₂是匹配的。