CN116610961A - 基于神经网络的控制模式识别方法和*** - Google Patents
基于神经网络的控制模式识别方法和*** Download PDFInfo
- Publication number
- CN116610961A CN116610961A CN202211008574.4A CN202211008574A CN116610961A CN 116610961 A CN116610961 A CN 116610961A CN 202211008574 A CN202211008574 A CN 202211008574A CN 116610961 A CN116610961 A CN 116610961A
- Authority
- CN
- China
- Prior art keywords
- neural network
- characteristic
- layer
- signal
- feature
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 94
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000005259 measurement Methods 0.000 claims abstract description 16
- 238000004364 calculation method Methods 0.000 claims description 16
- 230000000875 corresponding effect Effects 0.000 claims description 12
- 238000011176 pooling Methods 0.000 claims description 12
- 238000013507 mapping Methods 0.000 claims description 9
- 238000003860 storage Methods 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 6
- 238000003909 pattern recognition Methods 0.000 claims description 6
- 238000012567 pattern recognition method Methods 0.000 claims description 5
- 238000013527 convolutional neural network Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 2
- 238000010923 batch production Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种基于神经网络的控制模式识别方法和***,通过使用带有多层隐藏层的第一神经网络,以及带有卷积层、能够映射到四元结构的第二神经网络,分别提取到各自的非线性特征,计算两个非线性特征的相似度概率,利用该相似度概率来辅助四元结构的度量匹配识别,克服现有技术当样本量较小时会导致神经网络识别精度低的问题。
Description
技术领域
本申请涉及网络安全技术领域,尤其涉及一种基于神经网络的控制模式识别方法和***。
背景技术
传统的控制识别多依赖用户的经验,难以实现对控制模式的实时识别,使得生产效率降低。现在考虑的解决方法是引入神经网络,利用神经网络的特征自动学习和深度学习,智能识别控制模式。然而却也带来了新的问题,当样本量较小时,会导致神经网络识别精度低,不适合小批量多品种的生产场景。
因此,急需一种针对性的基于神经网络的控制模式识别方法和***。
发明内容
本发明的目的在于提供一种基于神经网络的控制模式识别方法和***,通过使用带有多层隐藏层的第一神经网络,以及带有卷积层、能够映射到四元结构的第二神经网络,分别提取到各自的非线性特征,计算两个非线性特征的相似度概率,利用该相似度概率来辅助四元结构的度量匹配识别。
第一方面,本申请提供一种基于神经网络的控制模式识别方法,所述方法包括:
接收用户终端发送的访问数据,提取所述访问数据中的特征信号,将该特征信号输入到第一神经网络中;
所述第一神经网络中设置有多层隐藏层,该神经网络的输入层的每个向量项分别送入当前一层隐藏层的每个向量项,所述当前一层隐藏层的向量项计算后,将计算结果分别送入下一层隐藏层的每个向量项,重复上述过程直至多层隐藏层都完成计算,将最后的计算结果送入该第一神经网络的输出层的每个向量项进行相加,该第一神经网络的输出层输出所述特征信号的第一非线性特征;
再将该特征信号输入到第二神经网络中,所述第二神经网络的隐含层包括了卷积层,使用该卷积层提取所述特征信号的特征,将该特征映射到四元结构,即将该特征分解为一个实部和三个虚部,完成初步矩变量化,所述一个实部对应特征向量值,所述三个虚部对应三个通道值,得到四元变量特征组;
将所述四元变量特征组与服务器下发的度量样本集合匹配,所述匹配是将每个四元特征向量与所述度量样本集合中的向量进行共轭运算,判断运算结果是否高于阈值,如果是则认定所述特征信号为动作信号,反之则认为所述特征信号无对应动作;
将匹配后的四元变量特征组送入所述第二神经网络的池化层进行池化处理,最后由所述第二神经网络的输出层输出所述匹配后的四元变量特征组的第二非线性特征;
计算所述第一非线性特征与第二非线性特征的相似度概率,如果该相似度概率高于预设的第二阈值,则确定所述特征信号为动作信号,执行控制动作,反之则确定所述特征信号无对应动作,忽略所述访问数据。
第二方面,本申请提供一种基于神经网络的控制模式识别***,所述***包括:
接收单元,用于接收用户终端发送的访问数据,提取所述访问数据中的特征信号,将该特征信号输入到第一神经网络中;
多层提取单元,用于使用所述第一神经网络,所述第一神经网络中设置有多层隐藏层,该神经网络的输入层的每个向量项分别送入当前一层隐藏层的每个向量项,所述当前一层隐藏层的向量项计算后,将计算结果分别送入下一层隐藏层的每个向量项,重复上述过程直至多层隐藏层都完成计算,将最后的计算结果送入该第一神经网络的输出层的每个向量项进行相加,该第一神经网络的输出层输出所述特征信号的第一非线性特征;
映射提取单元,用于使用第二神经网络,将该特征信号输入到第二神经网络中,所述第二神经网络的隐含层包括了卷积层,使用该卷积层提取所述特征信号的特征,将该特征映射到四元结构,即将该特征分解为一个实部和三个虚部,完成初步矩变量化,所述一个实部对应特征向量值,所述三个虚部对应三个通道值,得到四元变量特征组;
匹配分类单元,用于将所述四元变量特征组与服务器下发的度量样本集合匹配,所述匹配是将每个四元特征向量与所述度量样本集合中的向量进行共轭运算,判断运算结果是否高于阈值,如果是则认定所述特征信号为动作信号,反之则认为所述特征信号无对应动作;将匹配后的四元变量特征组送入所述第二神经网络的池化层进行池化处理,最后由所述第二神经网络的输出层输出所述匹配后的四元变量特征组的第二非线性特征;
确定单元,用于计算所述第一非线性特征与第二非线性特征的相似度概率,如果该相似度概率高于预设的第二阈值,则确定所述特征信号为动作信号,执行控制动作,反之则确定所述特征信号无对应动作,忽略所述访问数据。
第三方面,本申请提供一种基于神经网络的控制模式识别***,所述***包括处理器以及存储器:
所述存储器用于存储程序代码,并将所述程序代码传输给所述处理器;
所述处理器用于根据所述程序代码中的指令执行第一方面四种可能中任一项所述的方法。
第四方面,本申请提供一种计算机可读存储介质,所述计算机可读存储介质用于存储程序代码,所述程序代码用于执行第一方面四种可能中任一项所述的方法。
有益效果
本发明提供一种基于神经网络的控制模式识别方法和***,通过使用带有多层隐藏层的第一神经网络,以及带有卷积层、能够映射到四元结构的第二神经网络,分别提取到各自的非线性特征,计算两个非线性特征的相似度概率,利用该相似度概率来辅助四元结构的度量匹配识别,克服现有技术当样本量较小时会导致神经网络识别精度低的问题。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,对于本领域普通技术人员而言,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明基于神经网络的控制模式识别方法的流程图;
图2为本发明基于神经网络的控制模式识别***的架构图。
图3为本发明有关计算机可读存储介质的部署图。
具体实施方式
下面结合附图对本发明的优选实施例进行详细阐述,以使本发明的优点和特征能更易于被本领域技术人员理解,从而对本发明的保护范围做出更为清楚明确的界定。
图1为本申请提供的基于神经网络的控制模式识别方法的大致流程图,所述方法包括:
接收用户终端发送的访问数据,提取所述访问数据中的特征信号,将该特征信号输入到第一神经网络中;
所述第一神经网络中设置有多层隐藏层,该神经网络的输入层的每个向量项分别送入当前一层隐藏层的每个向量项,所述当前一层隐藏层的向量项计算后,将计算结果分别送入下一层隐藏层的每个向量项,重复上述过程直至多层隐藏层都完成计算,将最后的计算结果送入该第一神经网络的输出层的每个向量项进行相加,该第一神经网络的输出层输出所述特征信号的第一非线性特征;
再将该特征信号输入到第二神经网络中,所述第二神经网络的隐含层包括了卷积层,使用该卷积层提取所述特征信号的特征,将该特征映射到四元结构,即将该特征分解为一个实部和三个虚部,完成初步矩变量化,所述一个实部对应特征向量值,所述三个虚部对应三个通道值,得到四元变量特征组;
将所述四元变量特征组与服务器下发的度量样本集合匹配,所述匹配是将每个四元特征向量与所述度量样本集合中的向量进行共轭运算,判断运算结果是否高于阈值,如果是则认定所述特征信号为动作信号,反之则认为所述特征信号无对应动作;
将匹配后的四元变量特征组送入所述第二神经网络的池化层进行池化处理,最后由所述第二神经网络的输出层输出所述匹配后的四元变量特征组的第二非线性特征;
计算所述第一非线性特征与第二非线性特征的相似度概率,如果该相似度概率高于预设的第二阈值,则确定所述特征信号为动作信号,执行控制动作,反之则确定所述特征信号无对应动作,忽略所述访问数据。
在一些优选实施例中,所述相似度概率的计算包括,通过神经网络提取多个样本特征,通过度量多个样本特征的空间距离获取样本相似度概率,判断多个样本特征是否属于同一类别,给出分类结果。
在一些优选实施例中,所述度量样本集合包括服务器按照固定周期下发,还包括服务器依据请求下发。
所述服务器下发还可以是下发策略到中间设备,例如网关。
在一些优选实施例中,所述第一神经网络和第二神经网络均为卷积神经网络。
图2为本申请提供的基于神经网络的控制模式识别***的架构图,所述***包括:
接收单元,用于接收用户终端发送的访问数据,提取所述访问数据中的特征信号,将该特征信号输入到第一神经网络中;
多层提取单元,用于使用所述第一神经网络,所述第一神经网络中设置有多层隐藏层,该神经网络的输入层的每个向量项分别送入当前一层隐藏层的每个向量项,所述当前一层隐藏层的向量项计算后,将计算结果分别送入下一层隐藏层的每个向量项,重复上述过程直至多层隐藏层都完成计算,将最后的计算结果送入该第一神经网络的输出层的每个向量项进行相加,该第一神经网络的输出层输出所述特征信号的第一非线性特征;
映射提取单元,用于使用第二神经网络,将该特征信号输入到第二神经网络中,所述第二神经网络的隐含层包括了卷积层,使用该卷积层提取所述特征信号的特征,将该特征映射到四元结构,即将该特征分解为一个实部和三个虚部,完成初步矩变量化,所述一个实部对应特征向量值,所述三个虚部对应三个通道值,得到四元变量特征组;
匹配分类单元,用于将所述四元变量特征组与服务器下发的度量样本集合匹配,所述匹配是将每个四元特征向量与所述度量样本集合中的向量进行共轭运算,判断运算结果是否高于阈值,如果是则认定所述特征信号为动作信号,反之则认为所述特征信号无对应动作;将匹配后的四元变量特征组送入所述第二神经网络的池化层进行池化处理,最后由所述第二神经网络的输出层输出所述匹配后的四元变量特征组的第二非线性特征;
确定单元,用于计算所述第一非线性特征与第二非线性特征的相似度概率,如果该相似度概率高于预设的第二阈值,则确定所述特征信号为动作信号,执行控制动作,反之则确定所述特征信号无对应动作,忽略所述访问数据。
本申请提供一种基于神经网络的控制模式识别***,所述***包括:所述***包括处理器以及存储器:
所述存储器用于存储程序代码,并将所述程序代码传输给所述处理器;
所述处理器用于根据所述程序代码中的指令执行第一方面所有实施例中任一项所述的方法。
本申请提供一种计算机可读存储介质,如图3所示,所述计算机可读存储介质用于存储程序代码,所述程序代码用于执行第一方面所有实施例中任一项所述的方法。
具体实现中,本发明还提供一种计算机存储介质,其中,该计算机存储介质可以存储有程序,该程序执行时可包括本发明各个实施例中的部分或全部步骤。所述的存储介质可以为磁碟、光盘、只读存储记忆体(简称:ROM)或随机存储记忆体(简称:RAM)等。
本领域的技术人员可以清楚地了解到本发明实施例中的技术可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解,本发明实施例中的技术方案本质上或者对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器、或者网络设备等)执行本发明各个实施例或者实施例的某些部分所述的方法。
本说明书各个实施例之间相同相似的部分互相参见即可。尤其,对于实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例中的说明即可。
以上所述的本发明实施方式并不构成对本发明保护范围的限定。
Claims (7)
1.一种基于神经网络的控制模式识别方法,其特征在于,所述方法包括:
接收用户终端发送的访问数据,提取所述访问数据中的特征信号,将该特征信号输入到第一神经网络中;
所述第一神经网络中设置有多层隐藏层,该神经网络的输入层的每个向量项分别送入当前一层隐藏层的每个向量项,所述当前一层隐藏层的向量项计算后,将计算结果分别送入下一层隐藏层的每个向量项,重复上述过程直至多层隐藏层都完成计算,将最后的计算结果送入该第一神经网络的输出层的每个向量项进行相加,该第一神经网络的输出层输出所述特征信号的第一非线性特征;
再将该特征信号输入到第二神经网络中,所述第二神经网络的隐含层包括了卷积层,使用该卷积层提取所述特征信号的特征,将该特征映射到四元结构,即将该特征分解为一个实部和三个虚部,完成初步矩变量化,所述一个实部对应特征向量值,所述三个虚部对应三个通道值,得到四元变量特征组;
将所述四元变量特征组与服务器下发的度量样本集合匹配,所述匹配是将每个四元特征向量与所述度量样本集合中的向量进行共轭运算,判断运算结果是否高于阈值,如果是则认定所述特征信号为动作信号,反之则认为所述特征信号无对应动作;
将匹配后的四元变量特征组送入所述第二神经网络的池化层进行池化处理,最后由所述第二神经网络的输出层输出所述匹配后的四元变量特征组的第二非线性特征;
计算所述第一非线性特征与第二非线性特征的相似度概率,如果该相似度概率高于预设的第二阈值,则确定所述特征信号为动作信号,执行控制动作,反之则确定所述特征信号无对应动作,忽略所述访问数据。
2.根据权利要求1所述的方法,其特征在于:所述相似度概率的计算包括,通过神经网络提取多个样本特征,通过度量多个样本特征的空间距离获取样本相似度概率,判断多个样本特征是否属于同一类别,给出分类结果。
3.根据权利要求1所述的方法,其特征在于:所述度量样本集合包括服务器按照固定周期下发,还包括服务器依据请求下发。
4.根据权利要求2或3任一项所述的方法,其特征在于:所述第一神经网络和第二神经网络均为卷积神经网络。
5.一种基于神经网络的控制模式识别***,其特征在于,所述***包括:
接收单元,用于接收用户终端发送的访问数据,提取所述访问数据中的特征信号,将该特征信号输入到第一神经网络中;
多层提取单元,用于使用所述第一神经网络,所述第一神经网络中设置有多层隐藏层,该神经网络的输入层的每个向量项分别送入当前一层隐藏层的每个向量项,所述当前一层隐藏层的向量项计算后,将计算结果分别送入下一层隐藏层的每个向量项,重复上述过程直至多层隐藏层都完成计算,将最后的计算结果送入该第一神经网络的输出层的每个向量项进行相加,该第一神经网络的输出层输出所述特征信号的第一非线性特征;
映射提取单元,用于使用第二神经网络,将该特征信号输入到第二神经网络中,所述第二神经网络的隐含层包括了卷积层,使用该卷积层提取所述特征信号的特征,将该特征映射到四元结构,即将该特征分解为一个实部和三个虚部,完成初步矩变量化,所述一个实部对应特征向量值,所述三个虚部对应三个通道值,得到四元变量特征组;
匹配分类单元,用于将所述四元变量特征组与服务器下发的度量样本集合匹配,所述匹配是将每个四元特征向量与所述度量样本集合中的向量进行共轭运算,判断运算结果是否高于阈值,如果是则认定所述特征信号为动作信号,反之则认为所述特征信号无对应动作;将匹配后的四元变量特征组送入所述第二神经网络的池化层进行池化处理,最后由所述第二神经网络的输出层输出所述匹配后的四元变量特征组的第二非线性特征;
确定单元,用于计算所述第一非线性特征与第二非线性特征的相似度概率,如果该相似度概率高于预设的第二阈值,则确定所述特征信号为动作信号,执行控制动作,反之则确定所述特征信号无对应动作,忽略所述访问数据。
6.一种基于神经网络的控制模式识别***,其特征在于,所述***包括处理器以及存储器:
所述存储器用于存储程序代码,并将所述程序代码传输给所述处理器;
所述处理器用于根据所述程序代码中的指令执行实现权利要求1-4任一项所述的方法。
7.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质用于存储程序代码,所述程序代码用于执行实现权利要求1-4任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211008574.4A CN116610961A (zh) | 2022-08-22 | 2022-08-22 | 基于神经网络的控制模式识别方法和*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211008574.4A CN116610961A (zh) | 2022-08-22 | 2022-08-22 | 基于神经网络的控制模式识别方法和*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116610961A true CN116610961A (zh) | 2023-08-18 |
Family
ID=87675171
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211008574.4A Pending CN116610961A (zh) | 2022-08-22 | 2022-08-22 | 基于神经网络的控制模式识别方法和*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116610961A (zh) |
-
2022
- 2022-08-22 CN CN202211008574.4A patent/CN116610961A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108304882B (zh) | 一种图像分类方法、装置及服务器、用户终端、存储介质 | |
CN110298663B (zh) | 基于序列宽深学习的欺诈交易检测方法 | |
CN110926782B (zh) | 断路器故障类型判断方法、装置、电子设备及存储介质 | |
CN110390107B (zh) | 基于人工智能的下文关系检测方法、装置及计算机设备 | |
CN111526119B (zh) | 异常流量检测方法、装置、电子设备和计算机可读介质 | |
CN111835763B (zh) | 一种dns隧道流量检测方法、装置及电子设备 | |
CN111260220B (zh) | 群控设备识别方法、装置、电子设备和存储介质 | |
CN112527972A (zh) | 基于深度学习的智能客服聊天机器人实现方法和*** | |
CN111078876A (zh) | 一种基于多模型集成的短文本分类方法和*** | |
CN113628059A (zh) | 一种基于多层图注意力网络的关联用户识别方法及装置 | |
CN113541985A (zh) | 物联网故障诊断方法、模型的训练方法及相关装置 | |
CN113361567B (zh) | 图像处理方法、装置、电子设备和存储介质 | |
CN111488950B (zh) | 分类模型信息输出方法及装置 | |
CN113743443A (zh) | 一种图像证据分类和识别方法及装置 | |
CN111353526A (zh) | 一种图像匹配方法、装置以及相关设备 | |
CN116610961A (zh) | 基于神经网络的控制模式识别方法和*** | |
CN115545085A (zh) | 微弱故障电流的故障类型识别方法、装置、设备和介质 | |
CN116975742A (zh) | 局部放电模式识别方法、装置、设备和存储介质 | |
CN115358473A (zh) | 基于深度学习的电力负荷预测方法及预测*** | |
CN114861064A (zh) | 基于双塔模型的对象推荐方法及装置 | |
CN114218428A (zh) | 音频数据聚类方法、装置、设备及存储介质 | |
JP7230324B2 (ja) | ニューラルネットワークの学習方法、コンピュータプログラム及びコンピュータ装置 | |
CN111506691A (zh) | 一种基于深度匹配模型的轨迹匹配方法和*** | |
CN111627452A (zh) | 一种语音解码方法、装置和终端设备 | |
CN111194004A (zh) | 基站指纹定位方法、装置和***、计算机可读存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |