一种物联网设备的设备匹配方法及系统技术方案

本发明专利技术提供的一种物联网设备的设备匹配方法及系统，涉及数据处理技术领域

【技术实现步骤摘要】
一种物联网设备的设备匹配方法及系统


[0001]本专利技术涉及数据处理
，具体而言，涉及一种物联网设备的设备匹配方法及系统
。

技术介绍

[0002]在数据处理技术的不断成熟的基础上，使得在较多领域中都有利用数据处理技术进行相应的数据处理
。
例如，在物联网
中，可能需要利用数据处理技术，对物联网设备进行设备匹配处理，其中，在现有技术中，一般是基于物联网设备的部署位置来进行设备匹配，但是，由于物联网设备的部署位置具有的信息量一般较小，使得基于此进行的设备匹配的依据较为单一，因而，存在设备匹配的可靠度不佳的问题
。

技术实现思路

[0003]有鉴于此，本专利技术的目的在于提供一种物联网设备的设备匹配方法及系统，以在一定程度上提高物联网设备的设备匹配的可靠度
。
[0004]为实现上述目的，本专利技术实施例采用如下技术方案：
[0005]一种物联网设备的设备匹配方法，包括：
[0006]对多个待匹配物联网设备进行历史数据提取处理，以得到每一个所述待匹配物联网设备对应的历史物联网设备运行数据，再基于每一个所述待匹配物联网设备对应的历史物联网设备运行数据和每一个所述待匹配物联网设备对应的设备部署位置信息，构建出对应的第一设备数据分布集，所述第一设备数据分布集中的每一个数据分布节点对应一个待匹配物联网设备，每两个数据分布节点之间的分布位置关系与对应的两个所述待匹配物联网设备对应的设备部署位置信息之间具有相关关系；
[0007]利用目标数据节点筛选神经网络，对所述第一设备数据分布集进行抽选，形成所述第一设备数据分布集对应的第一设备数据分布子集，并将所述第一设备数据分布子集包括的每一个数据分布节点对应的待匹配物联网设备进行组合，以形成第一待匹配物联网设备集合，所述第一待匹配物联网设备集合包括的每两个待匹配物联网设备之间具有匹配关系；
[0008]在所述第一设备数据分布集中，对所述第一设备数据分布集对应的第一设备数据分布子集筛除处理，以形成所述第一设备数据分布集对应的第二设备数据分布子集，再利用所述目标数据节点筛选神经网络，对所述第二设备数据分布子集进行抽选处理，以形成所述第二设备数据分布子集对应的第三设备数据分布子集，并将所述第三设备数据分布子集包括的每一个数据分布节点对应的待匹配物联网设备进行组合，形成第二待匹配物联网设备集合，所述第二待匹配物联网设备集合包括的每两个待匹配物联网设备之间具有匹配关系
。
[0009]在一些优选的实施例中，在上述物联网设备的设备匹配方法中，所述目标数据节点筛选神经网络基于对初始数据节点筛选神经网络进行网络优化形成，所述初始数据节点
筛选神经网络的网络优化过程包括：
[0010]提取示例性监督设备数据分布集
、
示例性无监督设备数据分布集
、
所述示例性监督设备数据分布集对应的监督分布节点抽选标识
、
所述示例性无监督设备数据分布集对应的待对比分布节点抽选标识和预先搭建的初始数据节点筛选神经网络，所述初始数据节点筛选神经网络包括第一特征挖掘子网络
、
第二特征挖掘子网络
、
特征匹配融合子网络和特征还原子网络；
[0011]利用所述第一特征挖掘子网络，对所述示例性监督设备数据分布集和所述监督分布节点抽选标识对应的数据聚合特征表示进行特征挖掘操作，以形成所述示例性监督设备数据分布集对应的监督性数据特征表示；
[0012]利用所述第二特征挖掘子网络，对所述示例性无监督设备数据分布集进行特征挖掘操作，以形成所述示例性无监督设备数据分布集对应的非监督性数据特征表示；
[0013]利用所述特征匹配融合子网络，对所述监督性数据特征表示和所述非监督性数据特征表示进行特征匹配融合操作，以形成所述示例性无监督设备数据分布集对应的匹配融合数据特征表示；
[0014]利用所述特征还原子网络，对所述非监督性数据特征表示和所述匹配融合数据特征表示进行特征还原操作，以输出所述示例性无监督设备数据分布集对应的的预测分布节点抽选标识；
[0015]依据所述示例性无监督设备数据分布集对应的预测分布节点抽选标识和所述待对比分布节点抽选标识，计算得到对应的预测学习代价值，以及，再基于所述预测学习代价值对所述第一特征挖掘子网络
、
所述第二特征挖掘子网络
、
所述特征匹配融合子网络和所述特征还原子网络进行网络优化，以形成对应的目标数据节点筛选神经网络
。
[0016]在一些优选的实施例中，在上述物联网设备的设备匹配方法中，所述第一特征挖掘子网络包括至少一个特征挖掘单元；所述利用所述第一特征挖掘子网络，对所述示例性监督设备数据分布集和所述监督分布节点抽选标识对应的数据聚合特征表示进行特征挖掘操作，以形成所述示例性监督设备数据分布集对应的监督性数据特征表示的步骤，包括：
[0017]利用所述至少一个特征挖掘单元，对所述示例性监督设备数据分布集和所述监督分布节点抽选标识对应的数据聚合特征表示进行特征挖掘操作，以形成所述示例性监督设备数据分布集对应的监督性数据特征表示
。
[0018]在一些优选的实施例中，在上述物联网设备的设备匹配方法中，所述第一特征挖掘子网络包括级联的输入端特征挖掘单元
、
中间特征挖掘单元和输出端特征挖掘单元；
[0019]所述利用所述至少一个特征挖掘单元，对所述示例性监督设备数据分布集和所述监督分布节点抽选标识对应的数据聚合特征表示进行特征挖掘操作，以形成所述示例性监督设备数据分布集对应的监督性数据特征表示的步骤，包括：
[0020]对所述示例性监督设备数据分布集和所述监督分布节点抽选标识对应的数据聚合特征表示进行加载，以利用所述输入端特征挖掘单元进行输入端特征抽选操作，形成所述示例性监督设备数据分布集对应的输入端抽选数据特征表示；
[0021]对所述输入端抽选数据特征表示进行加载，以利用所述中间特征挖掘单元进行中间特征抽选操作，形成所述示例性监督设备数据分布集对应的中间抽选数据特征表示；
[0022]对所述中间抽选数据特征表示进行加载，以利用所述输出端特征挖掘单元进行输
出端特征抽选操作，形成输出端抽选数据特征表示，以作为所述示例性监督设备数据分布集对应的监督性数据特征表示
。
[0023]在一些优选的实施例中，在上述物联网设备的设备匹配方法中，所述第二特征挖掘子网络包括初级特征挖掘单元
、
中级特征挖掘单元
、
高级特征挖掘单元和目标数目的特征聚合单元；
[0024]所述利用所述第二特征挖掘子网络，对所述示例性无监督设备数据分布集进行特征挖掘操作，以形成所述示例性无监督设备数据分布集对应的非监督性数据特征表示的步骤，包括：
[0025]利用所述初级特征挖掘单元
、
所述中级特征挖掘单元
、...

【技术保护点】

【技术特征摘要】
1.
一种物联网设备的设备匹配方法，其特征在于，包括：对多个待匹配物联网设备进行历史数据提取处理，以得到每一个所述待匹配物联网设备对应的历史物联网设备运行数据，再基于每一个所述待匹配物联网设备对应的历史物联网设备运行数据和每一个所述待匹配物联网设备对应的设备部署位置信息，构建出对应的第一设备数据分布集，所述第一设备数据分布集中的每一个数据分布节点对应一个待匹配物联网设备，每两个数据分布节点之间的分布位置关系与对应的两个所述待匹配物联网设备对应的设备部署位置信息之间具有相关关系；利用目标数据节点筛选神经网络，对所述第一设备数据分布集进行抽选，形成所述第一设备数据分布集对应的第一设备数据分布子集，并将所述第一设备数据分布子集包括的每一个数据分布节点对应的待匹配物联网设备进行组合，以形成第一待匹配物联网设备集合，所述第一待匹配物联网设备集合包括的每两个待匹配物联网设备之间具有匹配关系；在所述第一设备数据分布集中，对所述第一设备数据分布集对应的第一设备数据分布子集筛除处理，以形成所述第一设备数据分布集对应的第二设备数据分布子集，再利用所述目标数据节点筛选神经网络，对所述第二设备数据分布子集进行抽选处理，以形成所述第二设备数据分布子集对应的第三设备数据分布子集，并将所述第三设备数据分布子集包括的每一个数据分布节点对应的待匹配物联网设备进行组合，形成第二待匹配物联网设备集合，所述第二待匹配物联网设备集合包括的每两个待匹配物联网设备之间具有匹配关系
。2.
如权利要求1所述的物联网设备的设备匹配方法，其特征在于，所述目标数据节点筛选神经网络基于对初始数据节点筛选神经网络进行网络优化形成，所述初始数据节点筛选神经网络的网络优化过程包括：提取示例性监督设备数据分布集
、
示例性无监督设备数据分布集
、
所述示例性监督设备数据分布集对应的监督分布节点抽选标识
、
所述示例性无监督设备数据分布集对应的待对比分布节点抽选标识和预先搭建的初始数据节点筛选神经网络，所述初始数据节点筛选神经网络包括第一特征挖掘子网络
、
第二特征挖掘子网络
、
特征匹配融合子网络和特征还原子网络；利用所述第一特征挖掘子网络，对所述示例性监督设备数据分布集和所述监督分布节点抽选标识对应的数据聚合特征表示进行特征挖掘操作，以形成所述示例性监督设备数据分布集对应的监督性数据特征表示；利用所述第二特征挖掘子网络，对所述示例性无监督设备数据分布集进行特征挖掘操作，以形成所述示例性无监督设备数据分布集对应的非监督性数据特征表示；利用所述特征匹配融合子网络，对所述监督性数据特征表示和所述非监督性数据特征表示进行特征匹配融合操作，以形成所述示例性无监督设备数据分布集对应的匹配融合数据特征表示；利用所述特征还原子网络，对所述非监督性数据特征表示和所述匹配融合数据特征表示进行特征还原操作，以输出所述示例性无监督设备数据分布集对应的的预测分布节点抽选标识；依据所述示例性无监督设备数据分布集对应的预测分布节点抽选标识和所述待对比分布节点抽选标识，计算得到对应的预测学习代价值，以及，再基于所述预测学习代价值对
所述第一特征挖掘子网络
、
所述第二特征挖掘子网络
、
所述特征匹配融合子网络和所述特征还原子网络进行网络优化，以形成对应的目标数据节点筛选神经网络
。3.
如权利要求2所述的物联网设备的设备匹配方法，其特征在于，所述第一特征挖掘子网络包括至少一个特征挖掘单元；所述利用所述第一特征挖掘子网络，对所述示例性监督设备数据分布集和所述监督分布节点抽选标识对应的数据聚合特征表示进行特征挖掘操作，以形成所述示例性监督设备数据分布集对应的监督性数据特征表示的步骤，包括：利用所述至少一个特征挖掘单元，对所述示例性监督设备数据分布集和所述监督分布节点抽选标识对应的数据聚合特征表示进行特征挖掘操作，以形成所述示例性监督设备数据分布集对应的监督性数据特征表示
。4.
如权利要求3所述的物联网设备的设备匹配方法，其特征在于，所述第一特征挖掘子网络包括级联的输入端特征挖掘单元
、
中间特征挖掘单元和输出端特征挖掘单元；所述利用所述至少一个特征挖掘单元，对所述示例性监督设备数据分布集和所述监督分布节点抽选标识对应的数据聚合特征表示进行特征挖掘操作，以形成所述示例性监督设备数据分布集对应的监督性数据特征表示的步骤，包括：对所述示例性监督设备数据分布集和所述监督分布节点抽选标识对应的数据聚合特征表示进行加载，以利用所述输入端特征挖掘单元进行输入端特征抽选操作，形成所述示例性监督设备数据分布集对应的输入端抽选数据特征表示；对所述输入端抽选数据特征表示进行加载，以利用所述中间特征挖掘单元进行中间特征抽选操作，形成所述示例性监督设备数据分布集对应的中间抽选数据特征表示；对所述中间抽选数据特征表示进行加载，以利用所述输出端特征挖掘单元进行输出端特征抽选操作，形成输出端抽选数据特征表示，以作为所述示例性监督设备数据分布集对应的监督性数据特征表示
。5.
如权利要求4所述的物联网设备的设备匹配方法，其特征在于，所述第二特征挖掘子网络包括初级特征挖掘单元
、
中级特征挖掘单元
、
高级特征挖掘单元和目标数目的特征聚合单元；所述利用所述第二特征挖掘子网络，对所述示例性无监督设备数据分布集进行特征挖掘操作，以形成所述示例性无监督设备数据分布集对应的非监督性数据特征表示的步骤，包括：利用所述初级特征挖掘单元
、
所述中级特征挖掘单元
、
所述高级特征挖掘单元和所述目标数目的特征聚合单元，对所述示例性无监督设备数据分布集进行特征挖掘操作，以形成所述示例性无监督设备数据分布集对应的非监督性数据特征表示
。6.
如权利要求5所述的物联网设备的设备匹配方法，其特征在于，所述目标数目的特征聚合单元包括配置在所述初级特征挖掘单元和所述中级特征挖掘单元之间的输入端特征聚合单元
、
配置在所述中级特征挖掘单元和所述高级特征挖掘单元之间的中间特征聚合单元
、
配置在所述高级特征挖掘单元的输出端的输出端特征聚合单元；所述利用所述初级特征挖掘单元
...

【专利技术属性】
技术研发人员：郑骥，赵丹，张杨，余斌，
申请(专利权)人：河南木马科技有限公司，
类型：发明
国别省市：