编码匹配方法组成比例

本发明专利技术公开了一种编码匹配方法

【技术实现步骤摘要】
编码匹配方法、装置、设备及存储介质


[0001]本专利技术涉及人工智能
，尤其涉及一种编码匹配方法
、
装置
、
设备及存储介质
。

技术介绍

[0002]近年来，随着各大运营商机房基站日益增加，作为动环监控厂家，已拿下大量订单，从而智能协议开发量也急剧飙升
。
串口协议要下载到
FSU(
力维动环监控设备
)
中，要同时具备动态库
so
文件和
ini
配置文件
。
然而
ini
配置文件为了满足各类运营商需求，要增加移动
、
联通
、
电信
、
铁塔等
B
接口编码
ID
才能将底端采集到的数据送到对应平台呈现给用户
。
在添加运营商
B
接口编码
ID
的时候，痛点也随之产生
。
比如移动
B
接口，研发要通过人工将厂家定义信号量名称与移动标准字典表信号量名称进行比对后，把匹配的编码
ID
手动添加到相对应的字段中，费事费力
。
当协议采集量超
1000+
时，该工作更是会消耗大量时间
。
[0003]因此，亟需一种编码匹配方法通过一种算法模型代替人工去匹配编码
ID
，进而提高工作效率，减少人工成本
。
>
技术实现思路

[0004]本专利技术的主要目的在于提供了一种编码匹配方法
、
装置
、
设备及存储介质，旨在解决如何有效实现自动化编码匹配的技术问题
。
[0005]为实现上述目的，本专利技术提供了一种编码匹配方法，所述方法包括以下步骤
:
[0006]获取待匹配的厂家自定义信号量，并按照预设规则对所述厂家自定义信号量进行预处理，获得预处理结果；
[0007]将所述预处理结果输入至目标
BRET
文本分类预测模型，获得预测结果；
[0008]对所述预测结果进行拆分处理，获得所述厂家自定义信号量中的厂家自定义信号名对应的字典表信号标准名；
[0009]确定所述字典表信号标准名对应的编码
ID
，并将所述编码
ID
填入所述厂家自定义信号量的编码字段，以实现编码匹配
。
[0010]可选地，所述获取厂家自定义信号量，并按照预设格式对所述厂家自定义信号量进行预处理，获得预处理结果的步骤之前，还包括：
[0011]获取厂家自定义信号量数据集和字典表信号量数据集；
[0012]通过预设规则对所述厂家自定义信号量数据集与所述字典表信号量数据集进行预处理，获得初始训练数据；
[0013]对所述初始训练数据进行
BRET
文本分类，获得目标训练数据；
[0014]将所述目标训练数据输入至
BRET
文本分类模型进行训练，获得目标
BRET
文本分类预测模型
。
[0015]可选地，所述将所述预处理结果输入至目标
BRET
文本分类预测模型，获得预测结果的步骤，包括：
[0016]将所述预处理结果输入至目标
BRET
文本分类预测模型，获得所述预处理结果与各字典表信号量之间的相似度；
[0017]选取所述相似度最高对应的所述字典表信号量与所述预处理结果作为预测结果
。
[0018]可选地，所述通过预设规则对所述厂家自定义信号量数据集与所述字典表信号量数据集进行预处理，获得初始训练数据的步骤，包括：
[0019]根据所述预设规则对所述厂家自定义信号量数据集中的厂家自定义信号量和所述字典表信号量数据集中的字典表信号量进行字符串拼接，获得初始训练数据
。
[0020]可选地，所述将所述目标训练数据输入至
BRET
文本分类模型进行训练，获得目标
BRET
文本分类预测模型的步骤，包括：
[0021]将所述目标训练数据输入至
BRET
文本分类模型进行训练，获得训练结果；
[0022]根据所述训练结果对所述
BRET
文本分类模型进行优化，获得目标
BRET
文本分类预测模型
。
[0023]可选地，所述根据所述训练结果对所述
BRET
文本分类模型进行优化，获得目标
BRET
文本分类预测模型的步骤，包括：
[0024]基于所述训练结果，采用模型评价指标对所述
BRET
文本分类模型进行评估，获得所述模型评价指标的评估结果；
[0025]根据所述评估结果通过调整所述
BRET
文本分类模型的模型参数进行模型优化，获得目标
BRET
文本分类预测模型
。
[0026]可选地，所述模型评价指标包括：准确率
Accuracy、
精准率
Precision、
召回率
Recall
以及
F1
值，其公式如下：
[0027][0028][0029][0030][0031]式中，
F1
值是精确率
Precision
与召回率
Recall
的加权平均值，
TP
为预测正确且实际匹配的数量，
FN
为预测错误但实际匹配的数量，
FP
为预测错误但实际不匹配的数量，
TN
为预测正确且实际不匹配的数量
。
[0032]此外，为实现上述目的，本专利技术还提出一种编码匹配装置，所述装置包括：
[0033]预处理模块，用于获取待匹配的厂家自定义信号量，并按照预设规则对所述厂家自定义信号量进行预处理，获得预处理结果；
[0034]数据输入模块，用于将所述预处理结果输入至目标
BRET
文本分类预测模型，获得预测结果；
[0035]拆分处理模块，用于对所述预测结果进行拆分处理，获得所述厂家自定义信号量中的厂家自定义信号名对应的字典表信号标准名；
[0036]编码匹配模块，用于确定所述字典表信号标准名对应的编码
ID
，并将所述编码
ID
填入所述厂家自定义信号量的编码字段，以实现编码匹配
。
[0037]此外，为实现上述目的，本专利技术还提出一种编码匹配设备，所述设备包括：存储器
、
处理器及存储在所述存储器上并可在所述处理器上运行的编码匹配程序，所述编码匹配程序配置为实现如上文所述的编码匹配方法的步骤
。
[0038]此本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种编码匹配方法，其特征在于，所述编码匹配方法包括以下步骤：获取待匹配的厂家自定义信号量，并按照预设规则对所述厂家自定义信号量进行预处理，获得预处理结果；将所述预处理结果输入至目标
BRET
文本分类预测模型，获得预测结果；对所述预测结果进行拆分处理，获得所述厂家自定义信号量中的厂家自定义信号名对应的字典表信号标准名；确定所述字典表信号标准名对应的编码
ID
，并将所述编码
ID
填入所述厂家自定义信号量的编码字段，以实现编码匹配
。2.
如权利要求1所述的编码匹配方法，其特征在于，所述获取厂家自定义信号量，并按照预设格式对所述厂家自定义信号量进行预处理，获得预处理结果的步骤之前，还包括：获取厂家自定义信号量数据集和字典表信号量数据集；通过预设规则对所述厂家自定义信号量数据集与所述字典表信号量数据集进行预处理，获得初始训练数据；对所述初始训练数据进行
BRET
文本分类，获得目标训练数据；将所述目标训练数据输入至
BRET
文本分类模型进行训练，获得目标
BRET
文本分类预测模型
。3.
如权利要求1所述的编码匹配方法，其特征在于，所述将所述预处理结果输入至目标
BRET
文本分类预测模型，获得预测结果的步骤，包括：将所述预处理结果输入至目标
BRET
文本分类预测模型，获得所述预处理结果与各字典表信号量之间的相似度；选取所述相似度最高对应的所述字典表信号量与所述预处理结果作为预测结果
。4.
如权利要求2所述的编码匹配方法，其特征在于，所述通过预设规则对所述厂家自定义信号量数据集与所述字典表信号量数据集进行预处理，获得初始训练数据的步骤，包括：根据所述预设规则对所述厂家自定义信号量数据集中的厂家自定义信号量和所述字典表信号量数据集中的字典表信号量进行字符串拼接，获得初始训练数据
。5.
如权利要求2所述的编码匹配方法，其特征在于，所述将所述目标训练数据输入至
BRET
文本分类模型进行训练，获得目标
BRET
文本分类预测模型的步骤，包括：将所述目标训练数据输入至
BRET
文本分类模型进行训练，获得训练结果；根据所述训练结果对所述
BRET
文本分类模型进行优化，获得目标
BRET
文本分类预测模型
。6....

【专利技术属性】
技术研发人员：王李哲，兰永祥，马文辉，陈新文，郑奇光，周凯，贾旭飞，
申请(专利权)人：南京中兴力维软件有限公司，
类型：发明
国别省市：