[发明专利]基于深度学习网络的物联网设备的识别方法

权利要求书

1.一种基于深度学习网络的物联网设备的识别方法，其特征在于，包括以下步骤：

S1：结合SOINN和SVM构建增量式监督学习方法SOINN-SVM，实现设备品牌分类器的增量学习，识别设备品牌；

S2：优化正则匹配结果，给予型号字段大于0.42的权重值；

S3：结合Jaro距离与权重值计算待识别设备与型号特征库的匹配度，识别设备型号。

2.根据权利要求1所述的基于深度学习网络的物联网设备的识别方法，其特征在于，所述步骤S1的具体步骤为：

S11：采集数据并对数据打上标签作为品牌识别和型号识别的训练数据；

S12：识别模块利用带标签数据进行离线训练，初始化品牌分类器和型号特征库；

S13：将带有品牌标签的训练数据经过SOINN网络进行压缩；

S14：原型数据获得更新调整后重新训练SVM品牌分类器；

S15：根据品牌识别的结果加载对应品牌的型号特征库并计算文本相似度。

3.根据权利要求2所述的基于深度学习网络的物联网设备的识别方法，其特征在于，所述步骤S13具体包括以下步骤：

S131：初始化神经元集合N的权重，初始化边集合C空集；

S132：输入一个新的数据样本ξ；

S133：计算神经元S₁和S₂的相似度阈值和

S134：进行压缩操作，获得压缩后的数据。

4.根据权利要求2所述的基于深度学习网络的物联网设备的识别方法，其特征在于，所述步骤S4具体包括以下步骤：

S141：利用SVM分类器进行识别；

S142：若SVM分类器给出的概率结果大于阈值θ₁，判为结果有效并输出结果，否则，判为可信度太低，无法识别；

S143：当有效识别的数据每达到δ条数据，就将它们作为带标签数据输入到SOINN网络中更新模型。

5.根据权利要求1所述的基于深度学习网络的物联网设备的识别方法，其特征在于，所述步骤S2利用TF-IDF技术优化正则匹配结果，给予型号字段高权重值的具体步骤为：

S21：TF-IDF包含词频TF和逆文本频率IDF；记文本集合为D，其中的单个文本为d，D_ij为第i个文本的第j个词，那么定义词D_ij的词频为：

式中，n_ij为第i个文本的第j个词在该文本中出现的次数：n_i为第i个文本中的单词总数.定义逆文本频率：

式中，|D|表示文档总数；|k：D_ij∈d_k|表示含有该词的文档数目，最后，定义该词的TF-IDF权重为：

ω_ij＝f_ijg_ij；

S22：引入TF-IDF增加正确的型号字段在匹配过程中的权重，利用正则表达式：

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

再从文本数据中抓取型号关键词。

6.根据权利要求1所述的基于深度学习网络的物联网设备的识别方法，其特征在于，所述步骤S3中获取Jaro距离的具体步骤为：

所述Jaro距离用来表示2个字符串之间的相似度，对于2个字符串u₁和u₂之间的Jaro距离计算公式为：

式中，J为Jaro距离：l为2个字符串中相互匹配的字符数量；u₁和u₂分别表示2个字符串u₁和u₂的长度，t为匹配字符中需要换位的个数.定义匹配阈值为

当字符串u₁和u₂相同，且字符串u₁和u₂的相对位置小于时，则认为字符串u₁和u₂是匹配的。