CN112714145A - 物联网决策融合方法、识别方法、设备及存储介质 - Google Patents
物联网决策融合方法、识别方法、设备及存储介质 Download PDFInfo
- Publication number
- CN112714145A CN112714145A CN201911026123.1A CN201911026123A CN112714145A CN 112714145 A CN112714145 A CN 112714145A CN 201911026123 A CN201911026123 A CN 201911026123A CN 112714145 A CN112714145 A CN 112714145A
- Authority
- CN
- China
- Prior art keywords
- determining
- target service
- internet
- things
- initial
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000007500 overflow downdraw method Methods 0.000 title claims abstract description 22
- 230000004927 fusion Effects 0.000 claims description 48
- 239000011159 matrix material Substances 0.000 claims description 40
- 230000015654 memory Effects 0.000 claims description 34
- 239000013598 vector Substances 0.000 claims description 28
- 238000004590 computer program Methods 0.000 claims description 17
- 230000006399 behavior Effects 0.000 claims description 15
- 238000012360 testing method Methods 0.000 claims description 14
- 238000012549 training Methods 0.000 claims description 13
- 238000010801 machine learning Methods 0.000 claims description 5
- 238000010586 diagram Methods 0.000 description 7
- 230000001360 synchronised effect Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 4
- 238000003066 decision tree Methods 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 235000019800 disodium phosphate Nutrition 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000007499 fusion processing Methods 0.000 description 2
- 230000006855 networking Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 208000033999 Device damage Diseases 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 210000004247 hand Anatomy 0.000 description 1
- 239000004984 smart glass Substances 0.000 description 1
- 230000003245 working effect Effects 0.000 description 1
- 210000000707 wrist Anatomy 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/50—Network services
- H04L67/51—Discovery or management thereof, e.g. service location protocol [SLP] or web services
-
- 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种物联网决策融合方法、识别方法、设备及存储介质。其中，该方法包括：针对目标服务对应的至少两个设备，获取各设备对应的初始识别结果和属性信息，所述初始识别结果包括：所述目标服务的各类标签对应的概率，其中，所述类标签用于表征所述目标服务对应的行为类型；基于所述属性信息确定各设备对应的贡献度；基于各设备的初始识别结果确定各设备对应的可靠度；基于各设备的所述初始识别结果、所述贡献度和所述可靠度确定最终识别结果。
Description
技术领域
本发明涉及物联网技术领域，尤其涉及一种物联网决策融合方法、识别方法、设备及存储介质。
背景技术
物联网场景下设备的数量越来越多，如智慧家庭、智能穿戴、智慧交通等场景下，都有大量设备同时工作，其中一部分设备识别目标相同，可对这部分设备的信息进行融合，提升识别的准确率。但是，实际使用过程中，物联网设备合作有很高的随机性，常有设备加入、设备移除、设备更换等现象，导致之前的协作模型不再适用。如穿戴式设备、家庭物联网、车联网等场景下，虽然同目标对应的设备较多，且协作识别能力要高于单一设备的识别能力，但网络中的运行设备经常变动，伴随设备入网、设备脱网等问题，不同时刻可进行协作的设备组合不同。用传统决策融合方法，为每种的设备组合训练对应的模型需要重新采集大量数据，而采集新数据需要很高的成本，另外由于隐私性、特殊场景所限制，很多关键数据无法获取，多样化设备协作无法实现。
发明内容
有鉴于此，本发明实施例提供了一种物联网决策融合方法、识别方法、设备及存储介质，旨在实现物联网设备动态变化的场景下的设备协作的决策融合。
本发明实施例的技术方案是这样实现的：
本发明实施例提供了一种物联网决策融合方法，包括：
针对目标服务对应的至少两个设备，获取各设备对应的初始识别结果和属性信息，所述初始识别结果包括：所述目标服务的各类标签对应的概率，其中，所述类标签用于表征所述目标服务对应的行为类型；
基于所述属性信息确定各设备对应的贡献度；
基于各设备的初始识别结果确定各设备对应的可靠度；
基于各设备的所述初始识别结果、所述贡献度和所述可靠度确定最终识别结果。
本发明实施例还提供了一种物联网识别方法，包括：
基于输入信息和目标服务对应的识别模型输出所述目标服务对应的初始识别结果，所述初始识别结果包括：所述目标服务的各类标签对应的概率，其中，所述类标签用于表征所述目标服务对应的行为类型。
本发明实施例还提供了一种物联网决策融合装置，包括：
获取模块，用于针对目标服务对应的至少两个设备，获取各设备对应的初始识别结果和属性信息，所述初始识别结果包括：所述目标服务的各类标签对应的概率，其中，所述类标签用于表征所述目标服务对应的行为类型；
第一确定模块，用于基于所述属性信息确定各设备对应的贡献度；
第二确定模块，用于基于各设备的初始识别结果确定各设备对应的可靠度；
第三确定模块，用于基于各设备的所述初始识别结果、所述贡献度和所述可靠度确定最终识别结果。
本发明实施例又提供了一种物联网识别装置，包括：
识别模块，用于基于检测的输入信息和目标服务对应的识别模型输出所述目标服务对应的初始识别结果，所述初始识别结果包括：所述目标服务的各类标签对应的概率，其中，所述类标签用于表征所述目标服务对应的行为类型。
本发明实施例还提供了一种物联网决策融合系统，包括：处理器和用于存储能够在处理器上运行的计算机程序的存储器，其中，所述处理器，用于运行计算机程序时，执行本发明实施例物联网决策融合方法的步骤。
本发明实施例又提供了一种物联网设备，包括：处理器和用于存储能够在处理器上运行的计算机程序的存储器，其中，所述处理器，用于运行计算机程序时，执行本发明实施例物联网识别方法的步骤。
本发明实施例还提供了一种存储介质，所述存储介质上存储有计算机程序，所述计算机程序被处理器执行时，实现本发明任一实施例所述方法的步骤。
本发明实施例提供的技术方案，获取各设备对应的初始识别结果和属性信息；基于所述属性信息确定各设备对应的贡献度；基于各设备的初始识别结果确定各设备对应的可靠度；基于各设备的所述初始识别结果、所述贡献度和所述可靠度确定最终识别结果。实现了对多设备的初始识别结果进行融合，其中，由于初始识别结果包括目标服务的各类标签对应的概率，扩大了单个设备的信息量，可以在不增加训练数据的前提下，构建物联网中同一目标服务的多设备的协作能力，且通过各设备对应的贡献度、可靠度来校正各设备的初始识别结果，进一步提高了融合结果的精确性，提升最终识别结果的准确率。
附图说明
图1为本发明实施例物联网决策融合方法的流程示意图；
图2为本发明实施例中冗余度矩阵的结构示意图；
图3为本发明实施例中混淆矩阵的结构示意图；
图4为本发明应用实施例物联网决策融合方法的流程示意图；
图5为本发明实施例物联网决策融合装置的结构示意图；
图6为本发明实施例物联网识别装置的结构示意图；
图7为本发明实施例物联网决策融合系统的结构示意图；
图8为本发明实施例物联网设备的结构示意图。
具体实施方式
下面结合附图及实施例对本发明再作进一步详细的描述。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。
相关技术中，针对物联网的多设备协作，分为数据融合、特征融合和决策融合三个层面。其中，数据融合和特征融合都需要预知设备数据空间的信息，在设备出厂前确定参与协作的设备组合，在此基础上训练模型，出厂后设备组合固定无法满足多场景需求。另外，数据融合和特征融合方式需要对采集数据进行处理，对于高维度数据在融合过程中需要预留存储空间和计算空间，提升了设备融合的成本。决策融合方法只需要各个设备输出的识别结果，将同一目标的多个设备的识别结果进行融合，得到更精准的识别模型。但该决策融合方法基于确定的设备组合，且需要新的训练数据，将每个设备的输出作为输入，新训练数据的标签作为输出，训练融合模型。此外，对每个设备的识别结果进行简单拼合，没有考虑单一设备在某一场景下的识别能力和设备之间的冗余度，对结果的准确度提升有限，甚至造成识别率下降。
因此，相关技术中的物联网决策融合方法存在以下问题：针对多个设备的信息融合，需要在出厂前确定参与协作的设备，并针对该组合采集数据，用于训练融合模型，但实际应用中由于设备损坏、设备离线等问题，不能保证组合中的设备均处于正常工作状态，融合模型失效，且获取设备组合数据成本高，受限于隐私性、场景等限制，不易获取。
基于此，在本发明的各种实施例中，可以对多设备的初始识别结果进行融合，其中，初始识别结果包括目标服务的各类标签对应的概率，扩大了单个设备的信息量，可以在不增加训练数据的前提下，构建物联网中同一目标服务的多设备的协作能力，且通过各设备对应的贡献度、可靠度来校正各设备的初始识别结果，进一步提高了融合结果的精确性，提升最终识别结果的准确率。
本发明实施例提供了一种物联网决策融合方法，应用于物联网决策系统，如图1所示，所述方法包括：
步骤101，针对目标服务对应的至少两个设备，获取各设备对应的初始识别结果和属性信息；
这里，所述初始识别结果包括：所述目标服务的各类标签对应的概率，其中，所述类标签用于表征所述目标服务对应的行为类型。
实际应用时，物联网决策系统在物联网网络中搜索目标服务对应的设备，比如，可以通过广播的方式搜索提供目标服务的多个设备，并获取至少两个设备的初始识别结果和属性信息。初始识别结果可以为设备针对目标服务输出的类别概率向量，该类别概率向量区别于传统的识别标签，所述识别标签仅能输出唯一的识别结果，所述类别概率向量可以表征所述目标服务的各类标签对应的概率。相较于现有的设备仅输出单一的识别结果，扩大了单个设备的信息量，便于后续的决策融合。
步骤102，基于所述属性信息确定各设备对应的贡献度；
实际应用时，目标服务对应的多个设备受自身属性限制，设备之间可能存在信息冗余，相同的信息在融合过程中出现信息权重增加，会导致融合的结果向该部分信息倾斜。本发明实施例中，基于各设备的属性信息确定各设备对应的贡献度。
在一实施例中，所述属性信息包括以下至少之一：传感器类型、位置信息。所述基于所述属性信息确定各设备对应的贡献度，包括：
基于所述至少两个设备中任意两个设备间的冗余度值确定冗余度矩阵；其中，所述冗余度值基于两个设备的传感器类型和/或位置信息确定；
对所述冗余度矩阵通过归一化处理，确定各设备对应的贡献度。
在一应用示例中，目标服务以行为预测为例，该目标服务对应的设备包括：手机和手环，具体地，握在手中的手机和手腕上的手环都可依据加速计识别行为，由于两个设备的传感器及传感器位置相似，两个设备获取信息高度相同，融合后手部的加速计对结果的影响更大。为避免上述情况，对同一位置的设备进行去冗余，若设备置于不相似位置或相似位置的设备包含传感器类型完全不同，则冗余度值设为0，设备间信息互不重合，每个设备对融合结果有完全贡献。若设备1和设备2放置于相似位置，且设备1中传感器类型包括设备2，则设备1和设备2间的冗余度值设为1。若设备1与设备2放置于相似位置，设备1中传感器类型与设备2中传感器类型部分相同，则根据识别结果重合度确定设备1和设备2间的冗余度值，取值在0和1之间。多设备协作时，根据两两设备间冗余度值构成冗余度矩阵R，其中Rij表示设备i和设备j间的冗余度值，单设备对应的贡献度如图2所示，对冗余度矩阵R进行行归一化及对角线归一化后，得到识别同一目标服务的m个设备的贡献度向量为[d1,d2,…,dm]，其中，该贡献度向量包括同一目标服务下m个设备各自对应的贡献度，m为大于1的自然数，贡献度用于表示单一设备对融合结果的影响，若一设备与其他设备间的冗余信息较少，则该设备对融合结果的贡献度越大。
步骤103，基于各设备的初始识别结果确定各设备对应的可靠度；
在一实施例中，基于各设备对应的混淆矩阵和所述初始识别结果中的最大概率对应类标签确定各设备对应的可靠度；其中，所述混淆矩阵用于确定相应设备对各类标签的识别准确率。
实际应用时，物联网中的不同设备由于其摆放位置、传感器种类等因素限制，对目标服务的识别能力存在差异，本发明实施例采用混淆矩阵衡量设备的可靠度，该可靠度可以表征设备识别的最大概率对应的类标签的可接受程度(又可以称为识别准确率)。
在一应用示例中，混淆矩阵由各设备基于测试样本数据确定，如图3所示，其中，Ri为测试样本数据的真实标签，Pi为测试样本经设备的识别模型输出的预测标签，其中，测试样本数据集有Cij个j类数据被模型识别为i类，对误分矩阵的行归一化后得到混淆矩阵，对角线上数据pii代表对设备识别结果为i类时的识别准确率。
由于需要获取各设备的混淆矩阵，基于此，在一实施例中，所述方法还包括：
获取各设备对应的混淆矩阵。
这样，可以基于各设备对应的混淆矩阵和所述初始识别结果中的最大概率对应类标签确定各设备对应的可靠度，即该设备识别出的最大概率的类标签的识别准确率。
步骤104，基于各设备的所述初始识别结果、所述贡献度和所述可靠度确定最终识别结果。
本发明实施例中，由于各设备的初始识别结果包含了该设备对各类标签识别的概率，贡献度考虑了设备间的冗余度信息对融合结果的影响，可靠度考虑了设备的识别准确率，因此，基于各设备的所述初始识别结果、所述贡献度和所述可靠度确定的最终识别结果实现多设备间的识别结果的融合，相对于单一设备的识别，可以有效提高识别的准确率。且本发明实施例可以有效避免多种设备的预定组合随着设备的损坏、离线等导致的融合模型失效，仍可以实现同一目标服务对应的多个设备间的协作，从而能够实现同一目标服务下任意组合的设备间的决策融合，提高识别结果的识别准确率。
在一实施例中，所述基于各设备的所述初始识别结果、所述贡献度和所述可靠度确定最终识别结果，包括：
基于各设备的所述初始识别结果、所述贡献度、所述可靠度确定决策融合对应的最终概率向量；
基于所述最终概率向量确定概率最大对应的类标签为所述最终识别结果。
在一应用示例中，最终概率向量的计算公式如下：
其中，P为最终概率向量，p.,j为第j个设备的类别概率向量，公式中的第一项(即
)为设备的类别概率向量的信息熵函数，该值越大说明设备将数据归于某一类的确定度越高，当识别结果倾向于多个类别且概率相差不大时，设备无法确定类别，对最终结果的影响较小；k为第j个设备的类别概率向量中概率最大值对应的类标签(即行为类型)，pkk,j为第j个设备对第i类别的可靠度，为混淆矩阵对角线上的参数，该值越大说明设备对该类别的确定度越高，当设备对某类别的识别准确率较低时，该设备对最终结果影响较小；dj为设备j的贡献度，该值越大说明该设备与网络中其他设备的信息冗余度低，对最终结果贡献度越高，当多个设备在相似的位置有部分传感器相同时，其低贡献度可降低重复信息对结果的影响。根据P取最大值对应类别作为设备协作的识别结果。在一实施例中，当P中最大值超过某一阈值时，对识别结果进行输出，否则视为当前设备网络无法识别，以避免识别错误造成损失。
本发明实施例还提供一种物联网识别方法，包括：
基于输入信息和目标服务对应的识别模型输出所述目标服务对应的初始识别结果，所述初始识别结果包括：所述目标服务的各类标签对应的概率，其中，所述类标签用于表征所述目标服务对应的行为类型。
物联网中各设备具有目标服务对应的识别模型，可以输入信息基于所述识别模型输出初始识别结果。这里，输入信息可以是设备上的传感器检测生成或者用户输入的。传感器可以包括并不限于各种图像识别传感器、语音识别传感器、加速度传感器、位置传感器等。
在一实施例中，初始识别结果可以为类别概率向量，该类别概率向量可以为机器学习分类器输出单一识别结果前对应的类别概率向量，所述类别概率向量可以表征所述目标服务的各类标签对应的概率。相较于现有的设备仅输出单一的识别结果，扩大了单个设备的信息量，便于后续的决策融合。
在一实施例中，所述方法还包括：
基于机器学习分类器和训练样本确定所述识别模型；
基于所述识别模型和测试样本确定设备对应的混淆矩阵；其中，所述混淆矩阵用于确定所述设备对所述目标服务的各类标签的识别准确率。
这里，机器学习分类器可以为softmax的神经网络、KNN、决策树、随机森林或者与之类似的集成学习分类器。类别概率向量是分类器将输入数据归于不同类别的概率，具体形式为[p1,p2,…,pn]，n为类别个数,pi表示将输入识别为i类的概率。根据softmax算法定义，其输出前一层归一化后可直接转化为概率向量，取向量中最大概率对应类别为分类结果。根据KNN算法定义，其输出前一层为该输入在空间内k个最近邻，对邻居类别进行统计得到[c1,c2,…,cn]，ci为k个邻居中标签为i类的个数，归一化后为类别概率向量，取概率最大的类别为分类结果。根据决策树定义，对决策树训练过程进行修改，叶子节点不仅存储数量最多的类别，对该节点中训练数据类别进行统计，得到[c1,c2,…,cn]，ci为叶子节点中标签为ci类的训练数据个数，归一化后得到概率向量，当决策结果指向该叶子结点时，取该结点的类别概率向量为输出前一层，概率最大的类为分类结果。对于随机森林等基于集成学习的分类器，统计多个弱分类器的分类结果[c1,c2,…,cn]，有ci个弱分类器分类结果为i类，归一化后得到类别概率向量，取概率最大的类为分类结果。采用上述修改后的模型训练方式确定设备的识别模型，这样，每个设备对输入信息进行识别，得到类别概率向量。
在一应用示例中，混淆矩阵由各设备基于测试样本数据确定，如图3所示，其中，Ri为测试样本数据的真实标签，Pi为测试样本经设备的识别模型输出的预测标签，其中，测试样本数据集有Cij个j类数据被模型识别为i类，对误分矩阵的行归一化后得到混淆矩阵，对角线上数据pii代表对设备识别结果为i类时的识别准确率。
下面结合应用实施例对本发明再作进一步详细的描述。
图4示出了一应用实施例中物联网决策融合方法的流程示意图。具体包括：
S1.每种设备单独训练，计算类别概率向量，并根据测试结果计算混淆矩阵；
S2.在使用场景中搜索目标服务对应的设备，根据设备相似程度计算信息冗余度(相当于基于属性信息确定各设备对应的贡献度)；
S3.根据设备的类别概率向量、混淆矩阵和设备间冗余度计算最终识别结果。
上述步骤的具体实现过程可以参照前述方法实施例中相应的步骤，在此不再赘述。
为了实现本发明实施例的方法，本发明实施例还提供一种物联网决策融合装置，如图5所示，该装置包括：
获取模块501，用于针对目标服务对应的至少两个设备，获取各设备对应的初始识别结果和属性信息，所述初始识别结果包括：所述目标服务的各类标签对应的概率，其中，所述类标签用于表征所述目标服务对应的行为类型；
第一确定模块502，用于基于所述属性信息确定各设备对应的贡献度；
第二确定模块503，用于基于各设备的初始识别结果确定各设备对应的可靠度；
第三确定模块504，用于基于各设备的所述初始识别结果、所述贡献度和所述可靠度确定最终识别结果。
在一实施例中，所述属性信息包括以下至少之一：传感器类型、位置信息；所述第一确定模块502具体用于：
基于所述至少两个设备中任意两个设备间的冗余度值确定冗余度矩阵；其中，所述冗余度值基于两个设备的传感器类型和/或位置信息确定；
对所述冗余度矩阵通过归一化处理，确定各设备对应的贡献度。
在一实施例中，所述第二确定模块503具体用于：
基于各设备对应的混淆矩阵和所述初始识别结果中的最大概率对应类标签确定各设备对应的可靠度；其中，所述混淆矩阵用于确定相应设备对各类标签的识别准确率。
在一实施例中，所述获取模块501还用于：
获取各设备对应的混淆矩阵，所述混淆矩阵由各设备基于测试样本数据确定。
在一实施例中，所述第三确定模块504具体用于：
基于各设备的所述初始识别结果、所述贡献度、所述可靠度确定决策融合对应的最终概率向量；
基于所述最终概率向量确定概率最大对应的类标签为所述最终识别结果。
实际应用时，获取模块501、第一确定模块502、第二确定模块503及第三确定模块504，可以由物联网决策融合装置中的处理器来实现。当然，处理器需要运行存储器中的计算机程序来实现它的功能。
为了实现本发明实施例的方法，本发明实施例还提供一种物联网识别装置，如图6所示，该装置包括：
识别模块601，用于基于检测的输入信息和目标服务对应的识别模型输出所述目标服务对应的初始识别结果，所述初始识别结果包括：所述目标服务的各类标签对应的概率，其中，所述类标签用于表征所述目标服务对应的行为类型。
在一实施例中，所述装置还包括：
模型确定模块602，用于基于机器学习分类器和训练样本确定所述识别模型；
混淆矩阵确定模块603，用于基于所述识别模型和测试样本确定设备对应的混淆矩阵；其中，所述混淆矩阵用于确定所述设备对所述目标服务的各类标签的识别准确率。
实际应用时，识别模块601、模型确定模块602及混淆矩阵确定模块603，可以由物联网识别装置中的处理器来实现。当然，处理器需要运行存储器中的计算机程序来实现它的功能。
需要说明的是：上述实施例提供的物联网决策融合装置在进行物联网决策融合装置时，上述实施例提供的物联网识别装置在进行物联网设备识别时，仅以上述各程序模块的划分进行举例说明，实际应用中，可以根据需要而将上述处理分配由不同的程序模块完成，即将装置的内部结构划分成不同的程序模块，以完成以上描述的全部或者部分处理。另外，上述实施例提供的物联网决策融合装置与物联网决策融合方法实施例属于同一构思，上述实施例提供的物联网识别装置与物联网识别方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。
基于上述程序模块的硬件实现，且为了实现本发明实施例的方法，本发明实施例还提供一种物联网决策融合系统。图7仅仅示出了该物联网决策融合系统的示例性结构而非全部结构，根据需要可以实施图7示出的部分结构或全部结构。
如图7所示，本发明实施例提供的物联网决策融合系统700包括：至少一个处理器701、存储器702和至少一个网络接口703。物联网决策融合系统700中的各个组件通过总线系统704耦合在一起。可以理解，总线系统704用于实现这些组件之间的连接通信。总线系统704除包括数据总线之外，还包括电源总线、控制总线和状态信号总线。但是为了清楚说明起见，在图7中将各种总线都标为总线系统704。
本发明实施例中的存储器702用于存储各种类型的数据以支持物联网决策融合系统的操作。这些数据的示例包括：用于在物联网决策融合系统上操作的任何计算机程序。
本发明实施例揭示的物联网决策融合方法可以应用于处理器701中，或者由处理器701实现。处理器701可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，物联网决策融合方法的各步骤可以通过处理器701中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器701可以是通用处理器、数字信号处理器(DSP，Digital SignalProcessor)，或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。处理器701可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者任何常规的处理器等。结合本发明实施例所公开的方法的步骤，可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于存储介质中，该存储介质位于存储器702，处理器701读取存储器702中的信息，结合其硬件完成本发明实施例提供的物联网决策融合方法的步骤。
在示例性实施例中，物联网决策融合系统可以被一个或多个应用专用集成电路(ASIC，Application Specific Integrated Circuit)、DSP、可编程逻辑器件(PLD，Programmable Logic Device)、复杂可编程逻辑器件(CPLD，Complex Programmable LogicDevice)、FPGA、通用处理器、控制器、微控制器(MCU，Micro Controller Unit)、微处理器(Microprocessor)、或者其他电子元件实现，用于执行前述方法。
基于上述程序模块的硬件实现，且为了实现本发明实施例的方法，本发明实施例还提供一种物联网设备。图8仅仅示出了该物联网设备的示例性结构而非全部结构，根据需要可以实施图8示出的部分结构或全部结构。
如图8所示，本发明实施例提供的物联网设备800包括：至少一个处理器801、存储器802和至少一个网络接口803。物联网设备800中的各个组件通过总线系统804耦合在一起。可以理解，总线系统804用于实现这些组件之间的连接通信。总线系统804除包括数据总线之外，还包括电源总线、控制总线和状态信号总线。但是为了清楚说明起见，在图8中将各种总线都标为总线系统804。
本发明实施例中，物联网设备800可以为智能手表、智能手环、智能音箱、智能网关、智能眼镜等各种物联网终端。
本发明实施例中的存储器802用于存储各种类型的数据以支持物联网设备的操作。这些数据的示例包括：用于在物联网决策融合系统上操作的任何计算机程序。
本发明实施例揭示的物联网识别方法可以应用于处理器801中，或者由处理器801实现。处理器801可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，物联网决策融合方法的各步骤可以通过处理器801中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器801可以是通用处理器、数字信号处理器(DSP，Digital SignalProcessor)，或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。处理器801可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者任何常规的处理器等。结合本发明实施例所公开的方法的步骤，可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于存储介质中，该存储介质位于存储器802，处理器801读取存储器802中的信息，结合其硬件完成本发明实施例提供的物联网决策融合方法的步骤。
在示例性实施例中，物联网设备800可以被一个或多个ASIC、DSP、PLD、CPLD、FPGA、通用处理器、控制器、MCU、Microprocessor、或其他电子元件实现，用于执行前述方法。
可以理解，存储器702、802可以是易失性存储器或非易失性存储器，也可包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器(ROM，Read OnlyMemory)、可编程只读存储器(PROM，Programmable Read-Only Memory)、可擦除可编程只读存储器(EPROM，Erasable Programmable Read-Only Memory)、电可擦除可编程只读存储器(EEPROM，Electrically Erasable Programmable Read-Only Memory)、磁性随机存取存储器(FRAM，ferromagnetic random access memory)、快闪存储器(Flash Memory)、磁表面存储器、光盘、或只读光盘(CD-ROM，Compact Disc Read-Only Memory)；磁表面存储器可以是磁盘存储器或磁带存储器。易失性存储器可以是随机存取存储器(RAM，Random AccessMemory)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的RAM可用，例如静态随机存取存储器(SRAM，Static Random Access Memory)、同步静态随机存取存储器(SSRAM，Synchronous Static Random Access Memory)、动态随机存取存储器(DRAM，Dynamic Random Access Memory)、同步动态随机存取存储器(SDRAM，SynchronousDynamic Random Access Memory)、双倍数据速率同步动态随机存取存储器(DDRSDRAM，Double Data Rate Synchronous Dynamic Random Access Memory)、增强型同步动态随机存取存储器(ESDRAM，Enhanced Synchronous Dynamic Random Access Memory)、同步连接动态随机存取存储器(SLDRAM，SyncLink Dynamic Random Access Memory)、直接内存总线随机存取存储器(DRRAM，Direct Rambus Random Access Memory)。本发明实施例描述的存储器旨在包括但不限于这些和任意其它适合类型的存储器。
在示例性实施例中，本发明实施例还提供了一种存储介质，即计算机存储介质，具体可以是计算机可读存储介质，例如包括存储计算机程序的存储器702、802，上述计算机程序可由处理器801、802执行，以完成本发明实施例方法所述的步骤。计算机可读存储介质可以是ROM、PROM、EPROM、EEPROM、Flash Memory、磁表面存储器、光盘、或CD-ROM等存储器。
需要说明的是：“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。
另外，本发明实施例所记载的技术方案之间，在不冲突的情况下，可以任意组合。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。
Claims (12)
1.一种物联网决策融合方法，其特征在于，包括：
针对目标服务对应的至少两个设备，获取各设备对应的初始识别结果和属性信息，所述初始识别结果包括：所述目标服务的各类标签对应的概率，其中，所述类标签用于表征所述目标服务对应的行为类型；
基于所述属性信息确定各设备对应的贡献度；
基于各设备的初始识别结果确定各设备对应的可靠度；
基于各设备的所述初始识别结果、所述贡献度和所述可靠度确定最终识别结果。
2.根据权利要求1所述的方法，其特征在于，所述属性信息包括以下至少之一：传感器类型、位置信息；所述基于所述属性信息确定各设备对应的贡献度，包括：
基于所述至少两个设备中任意两个设备间的冗余度值确定冗余度矩阵；其中，所述冗余度值基于两个设备的传感器类型和/或位置信息确定；
对所述冗余度矩阵通过归一化处理，确定各设备对应的贡献度。
3.根据权利要求1所述的方法，其特征在于，所述基于各设备的初始识别结果确定各设备对应的可靠度，包括：
基于各设备对应的混淆矩阵和所述初始识别结果中的最大概率对应类标签确定各设备对应的可靠度；其中，所述混淆矩阵用于确定相应设备对各类标签的识别准确率。
4.根据权利要求1所述的方法，其特征在于，所述方法还包括：
获取各设备对应的混淆矩阵，所述混淆矩阵由各设备基于测试样本数据确定。
5.根据权利要求1所述的方法，其特征在于，所述基于各设备的所述初始识别结果、所述贡献度和所述可靠度确定最终识别结果，包括：
基于各设备的所述初始识别结果、所述贡献度、所述可靠度确定决策融合对应的最终概率向量；
基于所述最终概率向量确定概率最大对应的类标签为所述最终识别结果。
6.一种物联网识别方法，其特征在于，包括：
基于输入信息和目标服务对应的识别模型输出所述目标服务对应的初始识别结果，所述初始识别结果包括：所述目标服务的各类标签对应的概率，其中，所述类标签用于表征所述目标服务对应的行为类型。
7.根据权利要求6所述的方法，其特征在于，所述方法还包括：
基于机器学习分类器和训练样本确定所述识别模型；
基于所述识别模型和测试样本确定设备对应的混淆矩阵；其中，所述混淆矩阵用于确定所述设备对所述目标服务的各类标签的识别准确率。
8.一种物联网决策融合装置，其特征在于，包括：
获取模块，用于针对目标服务对应的至少两个设备，获取各设备对应的初始识别结果和属性信息，所述初始识别结果包括：所述目标服务的各类标签对应的概率，其中，所述类标签用于表征所述目标服务对应的行为类型；
第一确定模块，用于基于所述属性信息确定各设备对应的贡献度；
第二确定模块，用于基于各设备的初始识别结果确定各设备对应的可靠度；
第三确定模块，用于基于各设备的所述初始识别结果、所述贡献度和所述可靠度确定最终识别结果。
9.一种物联网识别装置，其特征在于，包括：
识别模块，用于基于检测的输入信息和目标服务对应的识别模型输出所述目标服务对应的初始识别结果，所述初始识别结果包括：所述目标服务的各类标签对应的概率，其中，所述类标签用于表征所述目标服务对应的行为类型。
10.一种物联网决策融合系统，其特征在于，包括：处理器和用于存储能够在处理器上运行的计算机程序的存储器，其中，
所述处理器，用于运行计算机程序时，执行权利要求1至5任一项所述方法的步骤。
11.一种物联网设备，其特征在于，包括：处理器和用于存储能够在处理器上运行的计算机程序的存储器，其中，
所述处理器，用于运行计算机程序时，执行权利要求6至7任一项所述方法的步骤。
12.一种存储介质，所述存储介质上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时，实现权利要求1至5任一项或者6至7任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911026123.1A CN112714145B (zh) | 2019-10-25 | 2019-10-25 | 物联网决策融合方法、识别方法、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911026123.1A CN112714145B (zh) | 2019-10-25 | 2019-10-25 | 物联网决策融合方法、识别方法、设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112714145A true CN112714145A (zh) | 2021-04-27 |
| CN112714145B CN112714145B (zh) | 2024-02-27 |
Family
ID=75541160
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911026123.1A Active CN112714145B (zh) | 2019-10-25 | 2019-10-25 | 物联网决策融合方法、识别方法、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112714145B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113721977A (zh) * | 2021-08-18 | 2021-11-30 | 昆明理工大学 | 编程数据的处理方法与装置 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101696906A (zh) * | 2009-10-28 | 2010-04-21 | 上海电机学院 | 基于多源信息融合的风力发电机状态监测系统及方法 |
| CN103034866A (zh) * | 2011-09-29 | 2013-04-10 | 无锡物联网产业研究院 | 一种目标识别方法、装置及系统 |
| US20190034822A1 (en) * | 2017-07-27 | 2019-01-31 | Disney Enterprises, Inc. | Semiautomatic machine learning model improvement and benchmarking |
| CN109934293A (zh) * | 2019-03-15 | 2019-06-25 | 苏州大学 | 图像识别方法、装置、介质及混淆感知卷积神经网络 |
-
2019
- 2019-10-25 CN CN201911026123.1A patent/CN112714145B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101696906A (zh) * | 2009-10-28 | 2010-04-21 | 上海电机学院 | 基于多源信息融合的风力发电机状态监测系统及方法 |
| CN103034866A (zh) * | 2011-09-29 | 2013-04-10 | 无锡物联网产业研究院 | 一种目标识别方法、装置及系统 |
| US20190034822A1 (en) * | 2017-07-27 | 2019-01-31 | Disney Enterprises, Inc. | Semiautomatic machine learning model improvement and benchmarking |
| CN109934293A (zh) * | 2019-03-15 | 2019-06-25 | 苏州大学 | 图像识别方法、装置、介质及混淆感知卷积神经网络 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113721977A (zh) * | 2021-08-18 | 2021-11-30 | 昆明理工大学 | 编程数据的处理方法与装置 |
| CN113721977B (zh) * | 2021-08-18 | 2024-04-26 | 昆明理工大学 | 编程数据的处理方法与装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112714145B (zh) | 2024-02-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107358157B (zh) | 一种人脸活体检测方法、装置以及电子设备 | |
| CN109284675B (zh) | 一种用户的识别方法、装置及设备 | |
| US10692089B2 (en) | User classification using a deep forest network | |
| CN111814775B (zh) | 目标对象异常行为识别方法、装置、终端及存储介质 | |
| CN110688974B (zh) | 一种身份识别方法及装置 | |
| Guo et al. | Group-level emotion recognition using deep models on image scene, faces, and skeletons | |
| US11200381B2 (en) | Social content risk identification | |
| CN111814923B (zh) | 一种图像聚类方法、系统、设备和介质 | |
| WO2021031817A1 (zh) | 情绪识别方法、装置、计算机装置及存储介质 | |
| CN113221747B (zh) | 一种基于隐私保护的隐私数据处理方法、装置及设备 | |
| US11403875B2 (en) | Processing method of learning face recognition by artificial intelligence module | |
| CN115174231B (zh) | 一种基于AI Knowledge Base的网络欺诈分析方法及服务器 | |
| CN113761219A (zh) | 基于知识图谱的检索方法、装置、电子设备及存储介质 | |
| CN108647106A (zh) | 应用异常处理方法、存储介质及计算机设备 | |
| CN114419420A (zh) | 一种模型检测方法、装置、设备以及存储介质 | |
| CN115618964A (zh) | 一种模型训练的方法、装置、存储介质及电子设备 | |
| CN112714145B (zh) | 物联网决策融合方法、识别方法、设备及存储介质 | |
| CN113010785B (zh) | 用户推荐方法及设备 | |
| CN116797231A (zh) | 一种风险识别模型的训练方法及装置 | |
| CN114900435B (zh) | 一种连接关系预测方法及相关设备 | |
| CN116204838A (zh) | 一种异常业务识别的方法、装置、存储介质及电子设备 | |
| CN111143626B (zh) | 团伙识别方法、装置、设备及计算机可读存储介质 | |
| CN114513578A (zh) | 外呼方法、装置、计算机设备及存储介质 | |
| CN112085040B (zh) | 对象标签确定方法、装置和计算机设备 | |
| CN113010647A (zh) | 语料处理模型训练方法、装置、存储介质及电子设备 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |