【技术实现步骤摘要】
本申请涉及用户智能识别，具体涉及基于5g网络的智能上网终端的用户智能识别方法。
技术介绍
1、智能上网终端，例如智能手机、智能电视、智能家居设备以及各类联网的个人计算机等，在当今数字化社会中扮演着至关重要的角色。随着互联网技术的飞速发展和物联网的广泛应用，用户在使用这些终端时的安全与个性化体验需求日益增长，这就催生了对高效、准确且安全的用户智能识别方法的需求。在根据其它信息进行用户识别，比如手机锁屏密码、指纹信息登陆，均有可能被泄露仿造，而用户行为习惯是比上述更难模仿的，故可以通过分析用户行为习惯等信息作为终端用户进一步识别的识别方法。
2、在根据用户行为进行识别时，使用fcm对所得数据进行聚类，由于聚类参数维度过多，可能导致聚类结果的不准确，进而导致用户识别的不准确，故需要对所得数据进行特征筛选，以避免上述问题的发生。
技术实现思路
1、为了解决上述技术问题，本专利技术提供基于5g网络的智能上网终端的用户智能识别方法，以解决现有的问题。
2、本专利技术的基于5g网络的智能上网终端的用户智能识别方法采用如下技术方案：
3、本专利技术一个实施例提供了基于5g网络的智能上网终端的用户智能识别方法，该方法包括以下步骤：
4、采集用户特征数据；将采集周期内所有的用户特征数据进行聚类，将聚类簇的数量记为用户数量；
5、根据各用户聚类簇内用户特征数据中每个特征的差异构建各用户每个特征的簇内波动性；根据各用户每个特征的簇内波动性以及特征
6、根据用户特征数据之间的距离构建每个特征的特征识别必要性；根据每个特征的特征识别必要性以及每个特征的重要性的聚类结果构建每个特征的特征修正因子；根据每个特征的显著性以及特征修正因子得到每个特征的特征修正显著性；对所有特征的特征修正显著性采用大津阈值法得到大津阈值，将大于大津阈值的特征修正显著性对应的特征记为重要特征；
7、根据重要特征对当日与历史采集的用户特征数据进行聚类，识别当日用户特征数据的操作用户。
8、优选的，所述根据各用户聚类簇内用户特征数据中每个特征的差异构建各用户每个特征的簇内波动性，包括：
9、获取各用户对应聚类簇内所有用户特征数据在每个特征的数值均值；
10、对于各用户对应聚类簇内的各个用户特征数据，获取各个用户特征数据在每个特征的数值与所述数值均值的差值绝对值；获取各个用户特征数据与相邻下一个用户特征数据在每个特征的数值的差值绝对值；
11、将聚类簇内所有用户特征数据的两个差值绝对值的乘积的和值的归一化值，作为各用户每个特征的簇内波动性。
12、优选的，所述根据各用户每个特征的簇内波动性以及特征之间的数值差异构建各用户任意两个特征之间的差异性，包括：
13、对于各用户对应聚类簇内的各个用户特征数据，将用户特征数据中任意两个特征分别记为用户特征数据的第一特征和第二特征，计算第一特征与第二特征的数值的比值；计算各用户所有用户特征数据的第一特征的数值均值与第二特征的数值均值的比值；
14、计算各用户任意两个特征在所有用户特征数据的两个比值的差值绝对值的和值；获取各用户任意两个特征之间的簇内波动性的差值绝对值；将所述和值与所述差值绝对值的乘积作为各用户任意两个特征之间的差异性。
15、优选的，所述根据各用户任意两个特征之间的差异性以及各用户每个特征的簇内波动性构建各用户每个特征的重要性，包括：
16、计算各用户每个特征与剩余所有特征之间的差异性的和值；将所述和值与各用户每个特征的簇内波动性的比值作为各用户每个特征的重要性。
17、优选的，所述根据所有任意两个用户在每个特征之间的重要性差异构建每个特征的显著性，包括：
18、获取任意两个用户在每个特征之间的差异；
19、计算每个用户与其他所有用户在每个特征之间的差异的和值；计算每个用户每个特征的重要性与所述和值的乘积；将每个特征在所有用户的所述乘积的和值作为每个特征的显著性。
20、优选的，所述获取任意两个用户在每个特征之间的差异，表达式为：
21、
22、其中，表示第s个用户与第d个用户在特征u之间的差异，表示第s个用户与第d个用户的特征u之间的重要性的差值绝对值，表示第s个用户与第d个用户在特征u之间的数值均值的差值绝对值，p表示特征数据种类数量，、分别表示第s个、第d个用户的特征u与特征v之间的差异性，、分别表示第s个、第d个用户的特征u与其它特征之间的平均差异性。
23、优选的，所述根据用户特征数据之间的距离构建每个特征的特征识别必要性，包括：
24、将任意两个用户的所有用户特征数据之间的平均欧式距离的倒数，作为任意两个用户之间的相似度；
25、将任一特征记为待分析特征，计算除去待分析特征后与未除去待分析特征的任意两个用户之间的相似度的差值绝对值，将所有任意两个用户之间的所述差值绝对值的和值作为待分析特征的特征识别必要性。
26、优选的，所述根据每个特征的特征识别必要性以及每个特征的重要性的聚类结果构建每个特征的特征修正因子，包括：
27、获取每个特征在所有用户中的最大重要性；
28、将每个特征在所有用户的重要性进行聚类，得到两个聚类簇；将重要性的和值最大的聚类簇记为最大聚类簇；
29、计算所有用户在每个特征的重要性与所述最大重要性的差值绝对值的和值；计算所述和值与所述最大重要性的乘积；计算所述乘积与所述最大聚类簇内的元素数量的比值；
30、将所述比值与每个特征的特征识别必要性的乘积作为每个特征的特征修正因子。
31、优选的，所述根据每个特征的显著性以及特征修正因子得到每个特征的特征修正显著性，包括：
32、计算每个特征的特征修正因子的归一化值与数字1的和值；将每个特征的显著性与所述和值的乘积作为每个特征的特征修正显著性。
33、优选的，所述根据重要特征对当日与历史采集的用户特征数据进行聚类，识别当日用户特征数据的操作用户，包括：
34、将当日与历史采集的所有用户特征数据中的重要特征采用fcm聚类算法进行聚类，获取当日采集的用户特征数据属于各聚类簇的隶属度；
35、设置隶属度阈值；当当日采集的用户特征数据的最大隶属度小于隶属度阈值时，当日采集的用户特征数据的操作用户为新用户；反之，将当日采集的用户特征数据的最大隶属度的聚类簇对应用户作为识别用户。
36、本专利技术至少具有如下有益效果：
37、本专利技术通过对用户特征数据进行采集分析，根据用户使用习惯获取采集周期内终端设备使用用户的数量，基于历史用户本文档来自技高网...
【技术保护点】
1.基于5G网络的智能上网终端的用户智能识别方法，其特征在于，该方法包括以下步骤：
2.如权利要求1所述的基于5G网络的智能上网终端的用户智能识别方法，其特征在于，所述根据各用户聚类簇内用户特征数据中每个特征的差异构建各用户每个特征的簇内波动性，包括：
3.如权利要求1所述的基于5G网络的智能上网终端的用户智能识别方法，其特征在于，所述根据各用户每个特征的簇内波动性以及特征之间的数值差异构建各用户任意两个特征之间的差异性，包括：
4.如权利要求1所述的基于5G网络的智能上网终端的用户智能识别方法，其特征在于，所述根据各用户任意两个特征之间的差异性以及各用户每个特征的簇内波动性构建各用户每个特征的重要性，包括：
5.如权利要求1所述的基于5G网络的智能上网终端的用户智能识别方法，其特征在于，所述根据所有任意两个用户在每个特征之间的重要性差异构建每个特征的显著性，包括：
6.如权利要求5所述的基于5G网络的智能上网终端的用户智能识别方法，其特征在于，所述获取任意两个用户在每个特征之间的差异，表达式为：
7.如权利
8.如权利要求1所述的基于5G网络的智能上网终端的用户智能识别方法，其特征在于，所述根据每个特征的特征识别必要性以及每个特征的重要性的聚类结果构建每个特征的特征修正因子，包括：
9.如权利要求1所述的基于5G网络的智能上网终端的用户智能识别方法，其特征在于，所述根据每个特征的显著性以及特征修正因子得到每个特征的特征修正显著性，包括：
10.如权利要求1所述的基于5G网络的智能上网终端的用户智能识别方法，其特征在于，所述根据重要特征对当日与历史采集的用户特征数据进行聚类，识别当日用户特征数据的操作用户，包括：
...【技术特征摘要】
1.基于5g网络的智能上网终端的用户智能识别方法，其特征在于，该方法包括以下步骤：
2.如权利要求1所述的基于5g网络的智能上网终端的用户智能识别方法，其特征在于，所述根据各用户聚类簇内用户特征数据中每个特征的差异构建各用户每个特征的簇内波动性，包括：
3.如权利要求1所述的基于5g网络的智能上网终端的用户智能识别方法，其特征在于，所述根据各用户每个特征的簇内波动性以及特征之间的数值差异构建各用户任意两个特征之间的差异性，包括：
4.如权利要求1所述的基于5g网络的智能上网终端的用户智能识别方法，其特征在于，所述根据各用户任意两个特征之间的差异性以及各用户每个特征的簇内波动性构建各用户每个特征的重要性，包括：
5.如权利要求1所述的基于5g网络的智能上网终端的用户智能识别方法，其特征在于，所述根据所有任意两个用户在每个特征之间的重要性差异构建每个特征的显著性，包括：
6...
【专利技术属性】
技术研发人员：王鹏，章泽锋，朱贤超，胡逸鸥，夏钰凇，
申请(专利权)人：杭州可当科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。