基于语义认知的物联网终端数据分类方法及其应用技术

本申请实施例公开了一种基于语义认知的物联网终端数据分类方法及其应用，其中基于语义认知的物联网终端数据分类方法包括：根据物联网终端设备应用场景及业务的强化后的语义特征向量信息，构建数据融合计算模型进行数据融合；通过基于多层次特征融合后的融合特征训练的分类模型，进行认知计算，对利用所述数据融合计算模型融合后的数据进行分类，得到最终的应用场景和相关联的业务分类以及结果。以解决现有技术中的物联网感知设备时刻产生着大量孤立和异构的感知数据，形成了大量的数据孤岛的问题。岛的问题。岛的问题。

【技术实现步骤摘要】
基于语义认知的物联网终端数据分类方法及其应用


[0001]本申请涉及计算机信息处理
，具体涉及一种基于语义认知的物联网终端数据分类方法及其应用。

技术介绍

[0002]随着物联网概念的提出,包含了大量感知设备的物联网系统在各个领域越来越得以大量应用。但是，感知设备时刻产生着大量孤立和异构的感知数据，形成了大量的数据孤岛。

技术实现思路

[0003]本申请实施例的目的在于提供一种基于语义认知的物联网终端数据分类方法及其应用，用以解决现有技术中的物联网感知设备时刻产生着大量孤立和异构的感知数据，形成了大量的数据孤岛的问题。
[0004]为实现上述目的，本申请实施例提供一种基于语义认知的物联网终端数据分类方法，包括：根据物联网终端设备应用场景及业务的强化后的语义特征向量信息，构建数据融合计算模型进行数据融合；
[0005]通过基于多层次特征融合后的融合特征训练的分类模型，进行认知计算，对利用所述数据融合计算模型融合后的数据进行分类，得到最终的应用场景和相关联的业务分类以及结果。
[0006]可选地，所述根据物联网终端设备应用场景及业务的强化后的语义特征向量信息，构建数据融合计算模型，包括：
[0007]获取物联网终端设备应用场景的样本数据；
[0008]根据物联网终端设备的应用场景以及相关联的业务特征信息，对所述样本数据进行预处理，从中提取对应的语义特征向量，建立该应用场景以及相关联的业务本体库的规则；
[0009]通过神经网络模型对所述语义特征向量进行强化，得到所述强化后的语义特征向量。
[0010]可选地，所述预处理包括本体解析和文本处理；其中
[0011]所述本体解析包括对初始本体库中的概念信息进行解析，得到概念集；对初始本体库中的实例信息进行解析，得到实例集；对初始本体库中的关系信息进行解析，得到关系集；
[0012]所述文本处理包括对网页文本处理和对采集数据文本处理；所述网页文本处理包括：对网页去噪声后，提取网页特征；所述采集数据文本处理包括：对数据格式进行转换。
[0013]可选地，所述通过神经网络模型对所述语义特征向量进行强化，得到所述强化后的语义特征向量，包括：将语义特征向量输入至LSTM神经网络模型中，进行特征强化训练；其中
[0014]所述LSTM神经网络模型包括输入门、遗忘门以及输出门；
[0015]所述输入门将当前时刻输入的所有信息保存至当前时刻的单元状态中，且通过tanh函数计算当前时刻的候选信息，并计算出当前时刻的决策向量，从而确定被输入至当前时刻的单元状态中的信息量；
[0016]所述遗忘门将上一时刻的单元状态保存至当前时刻的单元状态中；
[0017]所述输出门控制当前时刻的单元状态被最终输出的信息量。
[0018]可选地，所述构建数据融合计算模型进行数据融合，包括：
[0019]利用LDA主题模型进行建模分析并识别具体场景下的具体业务，判别具体场景下的新业务，对比探测指标与阈值，进而得出具体场景下的新业务。
[0020]可选地，所述构建数据融合计算模型进行数据融合，具体包括：
[0021]数据建模，采用吉布斯抽样的方法求解隐变量θ,φ,z，进而得到联合概率分布p(θ,φ,z|w,α,β)；
[0022]模型训练，根据专家给出的关键词数量，设置LDA主题模型的超参数为主题个数K，并设定话题个数K的超参数搜索区间；
[0023]模型评估，选用coherence score作为模型评估指标用以对K值进行评估和验证；
[0024]在K个给定主题中，当任意两个主题中存在至少一对关键信息相互相关性高于预设相关性阈值时，将这两个主题进行合并，将coherence值低的合并到coherence值高的主题中，得出数量为K'的多个新兴主题，即得到了具体场景下的新业务。
[0025]可选地，所述分类模型基于Adaboost算法，采用BP神经网络作为AdaBoost算法的弱分类器，采用共生生物搜索算法优化各个弱分类器的权重。
[0026]可选地，所述分类模型的训练包括关键特征训练和融合特征的训练；对于每一类场景对应的关键特征类型，分别训练一个弱分类器，实现文本分类和数值分类；对每一类具体业务对应的融合特征，分别训练多个弱分类器，实现多模态融合分类；将所有弱分类器组合得到AdaBoost集成分类器。
[0027]为实现上述目的，本申请还提供一种基于语义认知的物联网终端数据分类装置，包括：存储器；以及
[0028]与所述存储器连接的处理器，所述处理器被配置成执行如上所述的方法的步骤。
[0029]为实现上述目的，本申请还提供一种计算机存储介质，其上存储有计算机程序，其中所述计算机程序被机器执行时实现如上所述的方法的步骤。
[0030]本申请实施例具有如下优点：
[0031]本申请实施例提供一种基于语义认知的物联网终端数据分类方法，包括：根据物联网终端设备应用场景及业务的强化后的语义特征向量信息，构建数据融合计算模型进行数据融合；通过基于多层次特征融合后的融合特征训练的分类模型，进行认知计算，对利用所述数据融合计算模型融合后的数据进行分类，得到最终的应用场景和相关联的业务分类以及结果。
[0032]通过上述方法，将不同设备及其产生的数据信息与场景和相关联的业务进行语义标注,从而构建不同域的数据关联模型,以便屏蔽数据异构性,实现语义信息的统一，有效地解决了物联网终端设备形成的大量的数据孤岛以及设备智能化升级和改造的问题。
附图说明
[0033]为了更清楚地说明本申请的实施方式或现有技术中的技术方案，下面将对实施方式或现有技术描述中所需要使用的附图作简单地介绍。显而易见地，下面描述中的附图仅仅是示例性的，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图引申获得其它的实施附图。
[0034]图1为本申请实施例提供的一种基于语义认知的物联网终端数据分类方法的流程图；
[0035]图2为本申请实施例提供的一种基于语义认知的物联网终端数据分类装置的模块框图。
具体实施方式
[0036]以下由特定的具体实施例说明本申请的实施方式，熟悉此技术的人士可由本说明书所揭露的内容轻易地了解本申请的其他优点及功效，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
[0037]此外，下面所描述的本申请不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
[0038]本申请一实施例提供一种基于语义认知的物联网终端数据分类方法，参考图1，图1为本申请的一实施方式中提供的一种基于语义认知的物联网终端数据分类方法的流程图，应当理解的是，该方法还可以包括未示出的附加框和/或可以省略所示出的框，本申请的范围在此本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于语义认知的物联网终端数据分类方法，其特征在于，包括：根据物联网终端设备应用场景及业务的强化后的语义特征向量信息，构建数据融合计算模型进行数据融合；通过基于多层次特征融合后的融合特征训练的分类模型，进行认知计算，对利用所述数据融合计算模型融合后的数据进行分类，得到最终的应用场景和相关联的业务分类以及结果。2.根据权利要求1所述的基于语义认知的物联网终端数据分类方法，其特征在于，所述根据物联网终端设备应用场景及业务的强化后的语义特征向量信息，构建数据融合计算模型，包括：获取物联网终端设备应用场景的样本数据；根据物联网终端设备的应用场景以及相关联的业务特征信息，对所述样本数据进行预处理，从中提取对应的语义特征向量，建立该应用场景以及相关联的业务本体库的规则；通过神经网络模型对所述语义特征向量进行强化，得到所述强化后的语义特征向量。3.根据权利要求2所述的基于语义认知的物联网终端数据分类方法，其特征在于，所述预处理包括本体解析和文本处理；其中所述本体解析包括对初始本体库中的概念信息进行解析，得到概念集；对初始本体库中的实例信息进行解析，得到实例集；对初始本体库中的关系信息进行解析，得到关系集；所述文本处理包括对网页文本处理和对采集数据文本处理；所述网页文本处理包括：对网页去噪声后，提取网页特征；所述采集数据文本处理包括：对数据格式进行转换。4.根据权利要求2所述的基于语义认知的物联网终端数据分类方法，其特征在于，所述通过神经网络模型对所述语义特征向量进行强化，得到所述强化后的语义特征向量，包括：将语义特征向量输入至LSTM神经网络模型中，进行特征强化训练；其中所述LSTM神经网络模型包括输入门、遗忘门以及输出门；所述输入门将当前时刻输入的所有信息保存至当前时刻的单元状态中，且通过tanh函数计算当前时刻的候选信息，并计算出当前时刻的决策向量，从而确定被输入至当前时刻的单元状态中的信息量；所述遗忘门将上一时刻的单元状态保存至当前时刻的单元状态中；所述输出门控制当前时刻的单元状态被最终输出的信息量。5.根据权利要求4所述的基于语...

【专利技术属性】
技术研发人员：孙想，李斌，
申请(专利权)人：江苏中润普达环境大数据有限公司，
类型：发明
国别省市：