CN117150108A - 一种物联网设备的设备匹配方法及系统 - Google Patents
一种物联网设备的设备匹配方法及系统 Download PDFInfo
- Publication number
- CN117150108A CN117150108A CN202311036715.8A CN202311036715A CN117150108A CN 117150108 A CN117150108 A CN 117150108A CN 202311036715 A CN202311036715 A CN 202311036715A CN 117150108 A CN117150108 A CN 117150108A
- Authority
- CN
- China
- Prior art keywords
- data distribution
- equipment
- data
- feature
- internet
- 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
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000012216 screening Methods 0.000 claims abstract description 52
- 238000013528 artificial neural network Methods 0.000 claims abstract description 47
- 238000012545 processing Methods 0.000 claims abstract description 32
- 238000005065 mining Methods 0.000 claims description 138
- 230000002776 aggregation Effects 0.000 claims description 60
- 238000004220 aggregation Methods 0.000 claims description 60
- 230000004927 fusion Effects 0.000 claims description 33
- 238000012544 monitoring process Methods 0.000 claims description 26
- 238000001914 filtration Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000005457 optimization Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 3
- 238000013075 data extraction Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 230000009467 reduction Effects 0.000 description 16
- 230000006870 function Effects 0.000 description 6
- 230000004913 activation Effects 0.000 description 5
- 238000013506 data mapping Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供的一种物联网设备的设备匹配方法及系统，涉及数据处理技术领域。在本发明中，基于每一个待匹配物联网设备对应的历史物联网设备运行数据和每一个待匹配物联网设备对应的设备部署位置信息，构建出对应的第一设备数据分布集；利用目标数据节点筛选神经网络，对第一设备数据分布集进行抽选，形成第一设备数据分布集对应的第一设备数据分布子集，并将第一设备数据分布子集包括的每一个数据分布节点对应的待匹配物联网设备进行组合，以形成第一待匹配物联网设备集合。基于前述的步骤，可以在一定程度上提高物联网设备的设备匹配的可靠度。
Description
技术领域
本发明涉及数据处理技术领域，具体而言，涉及一种物联网设备的设备匹配方法及系统。
背景技术
在数据处理技术的不断成熟的基础上，使得在较多领域中都有利用数据处理技术进行相应的数据处理。例如，在物联网技术领域中，可能需要利用数据处理技术，对物联网设备进行设备匹配处理，其中，在现有技术中，一般是基于物联网设备的部署位置来进行设备匹配，但是，由于物联网设备的部署位置具有的信息量一般较小，使得基于此进行的设备匹配的依据较为单一，因而，存在设备匹配的可靠度不佳的问题。
发明内容
有鉴于此，本发明的目的在于提供一种物联网设备的设备匹配方法及系统，以在一定程度上提高物联网设备的设备匹配的可靠度。
为实现上述目的，本发明实施例采用如下技术方案：
一种物联网设备的设备匹配方法，包括：
对多个待匹配物联网设备进行历史数据提取处理，以得到每一个所述待匹配物联网设备对应的历史物联网设备运行数据，再基于每一个所述待匹配物联网设备对应的历史物联网设备运行数据和每一个所述待匹配物联网设备对应的设备部署位置信息，构建出对应的第一设备数据分布集，所述第一设备数据分布集中的每一个数据分布节点对应一个待匹配物联网设备，每两个数据分布节点之间的分布位置关系与对应的两个所述待匹配物联网设备对应的设备部署位置信息之间具有相关关系；
利用目标数据节点筛选神经网络，对所述第一设备数据分布集进行抽选，形成所述第一设备数据分布集对应的第一设备数据分布子集，并将所述第一设备数据分布子集包括的每一个数据分布节点对应的待匹配物联网设备进行组合，以形成第一待匹配物联网设备集合，所述第一待匹配物联网设备集合包括的每两个待匹配物联网设备之间具有匹配关系；
在所述第一设备数据分布集中，对所述第一设备数据分布集对应的第一设备数据分布子集筛除处理，以形成所述第一设备数据分布集对应的第二设备数据分布子集，再利用所述目标数据节点筛选神经网络，对所述第二设备数据分布子集进行抽选处理，以形成所述第二设备数据分布子集对应的第三设备数据分布子集，并将所述第三设备数据分布子集包括的每一个数据分布节点对应的待匹配物联网设备进行组合，形成第二待匹配物联网设备集合，所述第二待匹配物联网设备集合包括的每两个待匹配物联网设备之间具有匹配关系。
在一些优选的实施例中，在上述物联网设备的设备匹配方法中，所述目标数据节点筛选神经网络基于对初始数据节点筛选神经网络进行网络优化形成，所述初始数据节点筛选神经网络的网络优化过程包括：
提取示例性监督设备数据分布集、示例性无监督设备数据分布集、所述示例性监督设备数据分布集对应的监督分布节点抽选标识、所述示例性无监督设备数据分布集对应的待对比分布节点抽选标识和预先搭建的初始数据节点筛选神经网络，所述初始数据节点筛选神经网络包括第一特征挖掘子网络、第二特征挖掘子网络、特征匹配融合子网络和特征还原子网络；
利用所述第一特征挖掘子网络，对所述示例性监督设备数据分布集和所述监督分布节点抽选标识对应的数据聚合特征表示进行特征挖掘操作，以形成所述示例性监督设备数据分布集对应的监督性数据特征表示；
利用所述第二特征挖掘子网络，对所述示例性无监督设备数据分布集进行特征挖掘操作，以形成所述示例性无监督设备数据分布集对应的非监督性数据特征表示；
利用所述特征匹配融合子网络，对所述监督性数据特征表示和所述非监督性数据特征表示进行特征匹配融合操作，以形成所述示例性无监督设备数据分布集对应的匹配融合数据特征表示；
利用所述特征还原子网络，对所述非监督性数据特征表示和所述匹配融合数据特征表示进行特征还原操作，以输出所述示例性无监督设备数据分布集对应的的预测分布节点抽选标识；
依据所述示例性无监督设备数据分布集对应的预测分布节点抽选标识和所述待对比分布节点抽选标识，计算得到对应的预测学习代价值，以及，再基于所述预测学习代价值对所述第一特征挖掘子网络、所述第二特征挖掘子网络、所述特征匹配融合子网络和所述特征还原子网络进行网络优化，以形成对应的目标数据节点筛选神经网络。
在一些优选的实施例中，在上述物联网设备的设备匹配方法中，所述第一特征挖掘子网络包括至少一个特征挖掘单元；所述利用所述第一特征挖掘子网络，对所述示例性监督设备数据分布集和所述监督分布节点抽选标识对应的数据聚合特征表示进行特征挖掘操作，以形成所述示例性监督设备数据分布集对应的监督性数据特征表示的步骤，包括：
利用所述至少一个特征挖掘单元，对所述示例性监督设备数据分布集和所述监督分布节点抽选标识对应的数据聚合特征表示进行特征挖掘操作，以形成所述示例性监督设备数据分布集对应的监督性数据特征表示。
在一些优选的实施例中，在上述物联网设备的设备匹配方法中，所述第一特征挖掘子网络包括级联的输入端特征挖掘单元、中间特征挖掘单元和输出端特征挖掘单元；
所述利用所述至少一个特征挖掘单元，对所述示例性监督设备数据分布集和所述监督分布节点抽选标识对应的数据聚合特征表示进行特征挖掘操作，以形成所述示例性监督设备数据分布集对应的监督性数据特征表示的步骤，包括：
对所述示例性监督设备数据分布集和所述监督分布节点抽选标识对应的数据聚合特征表示进行加载，以利用所述输入端特征挖掘单元进行输入端特征抽选操作，形成所述示例性监督设备数据分布集对应的输入端抽选数据特征表示；
对所述输入端抽选数据特征表示进行加载，以利用所述中间特征挖掘单元进行中间特征抽选操作，形成所述示例性监督设备数据分布集对应的中间抽选数据特征表示；
对所述中间抽选数据特征表示进行加载，以利用所述输出端特征挖掘单元进行输出端特征抽选操作，形成输出端抽选数据特征表示，以作为所述示例性监督设备数据分布集对应的监督性数据特征表示。
在一些优选的实施例中，在上述物联网设备的设备匹配方法中，所述第二特征挖掘子网络包括初级特征挖掘单元、中级特征挖掘单元、高级特征挖掘单元和目标数目的特征聚合单元；
所述利用所述第二特征挖掘子网络，对所述示例性无监督设备数据分布集进行特征挖掘操作，以形成所述示例性无监督设备数据分布集对应的非监督性数据特征表示的步骤，包括：
利用所述初级特征挖掘单元、所述中级特征挖掘单元、所述高级特征挖掘单元和所述目标数目的特征聚合单元，对所述示例性无监督设备数据分布集进行特征挖掘操作，以形成所述示例性无监督设备数据分布集对应的非监督性数据特征表示。
在一些优选的实施例中，在上述物联网设备的设备匹配方法中，所述目标数目的特征聚合单元包括配置在所述初级特征挖掘单元和所述中级特征挖掘单元之间的输入端特征聚合单元、配置在所述中级特征挖掘单元和所述高级特征挖掘单元之间的中间特征聚合单元、配置在所述高级特征挖掘单元的输出端的输出端特征聚合单元；
所述利用所述初级特征挖掘单元、所述中级特征挖掘单元、所述高级特征挖掘单元和所述目标数目的特征聚合单元，对所述示例性无监督设备数据分布集进行特征挖掘操作，以形成所述示例性无监督设备数据分布集对应的非监督性数据特征表示的步骤，包括：
对所述示例性无监督设备数据分布集进行加载，以利用所述初级特征挖掘单元进行初级特征抽选操作，形成所述示例性无监督设备数据分布集对应的初级抽选数据特征表示；
对所述初级抽选数据特征表示和所述输入端抽选数据特征表示进行加载，以利用所述输入端特征聚合单元进行初级特征表示聚合操作，形成所述示例性无监督设备数据分布集对应的聚合初级抽选数据特征表示；
对所述聚合初级抽选数据特征表示进行加载，以利用所述中级特征挖掘单元进行中级特征抽选操作，形成所述示例性无监督设备数据分布集对应的中级抽选数据特征表示；
对所述中级抽选数据特征表示和所述中间抽选数据特征表示进行加载，以利用所述中间特征聚合单元进行中级特征表示聚合操作，形成所述示例性无监督设备数据分布集对应的聚合中级抽选数据特征表示；
对所述聚合中级抽选数据特征表示进行加载，以利用所述高级特征挖掘单元进行高级特征抽选操作，形成所述示例性无监督设备数据分布集对应的高级抽选数据特征表示；
对所述高级抽选数据特征表示和所述监督性数据特征表示进行加载，以利用所述输出端特征聚合单元进行高级特征表示聚合操作，形成对应的聚合高级抽选数据特征表示，以作为所述示例性无监督设备数据分布集对应的非监督性数据特征表示。
在一些优选的实施例中，在上述物联网设备的设备匹配方法中，所述在所述第一设备数据分布集中，对所述第一设备数据分布集对应的第一设备数据分布子集筛除处理，以形成所述第一设备数据分布集对应的第二设备数据分布子集，再利用所述目标数据节点筛选神经网络，对所述第二设备数据分布子集进行抽选处理，以形成所述第二设备数据分布子集对应的第三设备数据分布子集，并将所述第三设备数据分布子集包括的每一个数据分布节点对应的待匹配物联网设备进行组合，形成第二待匹配物联网设备集合的步骤，包括：
在所述第一设备数据分布集中，对所述第一设备数据分布集对应的第一设备数据分布子集筛除处理，以形成所述第一设备数据分布集对应的第二设备数据分布子集；
对所述第二设备数据分布子集中的每两个数据分布节点之间的分布位置关系进行调整，以形成新的第二设备数据分布子集；
利用所述目标数据节点筛选神经网络，对所述新的第二设备数据分布子集进行抽选处理，以形成所述新的第二设备数据分布子集对应的第三设备数据分布子集，并将所述第三设备数据分布子集包括的每一个数据分布节点对应的待匹配物联网设备进行组合，以形成所述第三设备数据分布子集对应的第二待匹配物联网设备集合。
在一些优选的实施例中，在上述物联网设备的设备匹配方法中，所述对所述第二设备数据分布子集中的每两个数据分布节点之间的分布位置关系进行调整，以形成新的第二设备数据分布子集的步骤，包括：
对所述第一设备数据分布子集对应的数据分布节点的数量和所述第一设备数据分布集对应的数据分布节点的数量进行比值计算；
依据所述比值计算的结果，对所述第二设备数据分布子集中的每两个数据分布节点之间的分布位置关系进行对应比例的拉近，以实现分布位置关系的调整，形成新的第二设备数据分布子集。
在一些优选的实施例中，在上述物联网设备的设备匹配方法中，所述在所述第一设备数据分布集中，对所述第一设备数据分布集对应的第一设备数据分布子集筛除处理，以形成所述第一设备数据分布集对应的第二设备数据分布子集，再利用所述目标数据节点筛选神经网络，对所述第二设备数据分布子集进行抽选处理，以形成所述第二设备数据分布子集对应的第三设备数据分布子集，并将所述第三设备数据分布子集包括的每一个数据分布节点对应的待匹配物联网设备进行组合，形成第二待匹配物联网设备集合的步骤，还包括：
在所述新的第二设备数据分布子集中，对所述新的第二设备数据分布子集对应的第三设备数据分布子集筛除处理，以形成所述新的第二设备数据分布子集对应的第四设备数据分布子集；
将所述第四设备数据分布子集包括的每一个数据分布节点对应的待匹配物联网设备进行组合，以形成所述第四设备数据分布子集对应的第三待匹配物联网设备集合；或者，对所述第四设备数据分布子集中的每两个数据分布节点之间的分布位置关系进行调整，以形成新的第四设备数据分布子集；利用所述目标数据节点筛选神经网络，对所述新的第四设备数据分布子集进行抽选处理，以形成所述新的第四设备数据分布子集对应的第五设备数据分布子集，并将所述第五设备数据分布子集包括的每一个数据分布节点对应的待匹配物联网设备进行组合，以形成所述第五设备数据分布子集对应的第三待匹配物联网设备集合，所述第三待匹配物联网设备集合包括的每两个待匹配物联网设备之间具有匹配关系。
本发明实施例还提供一种设备匹配处理平台，包括：
设备数据分布集构建模块，用于对多个待匹配物联网设备进行历史数据提取处理，以得到每一个所述待匹配物联网设备对应的历史物联网设备运行数据，再基于每一个所述待匹配物联网设备对应的历史物联网设备运行数据和每一个所述待匹配物联网设备对应的设备部署位置信息，构建出对应的第一设备数据分布集，所述第一设备数据分布集中的每一个数据分布节点对应一个待匹配物联网设备，每两个数据分布节点之间的分布位置关系与对应的两个所述待匹配物联网设备对应的设备部署位置信息之间具有相关关系；
第一设备匹配组合模块，用于利用目标数据节点筛选神经网络，对所述第一设备数据分布集进行抽选，形成所述第一设备数据分布集对应的第一设备数据分布子集，并将所述第一设备数据分布子集包括的每一个数据分布节点对应的待匹配物联网设备进行组合，以形成第一待匹配物联网设备集合，所述第一待匹配物联网设备集合包括的每两个待匹配物联网设备之间具有匹配关系；
第二设备匹配组合模块，用于在所述第一设备数据分布集中，对所述第一设备数据分布集对应的第一设备数据分布子集筛除处理，以形成所述第一设备数据分布集对应的第二设备数据分布子集，再利用所述目标数据节点筛选神经网络，对所述第二设备数据分布子集进行抽选处理，以形成所述第二设备数据分布子集对应的第三设备数据分布子集，并将所述第三设备数据分布子集包括的每一个数据分布节点对应的待匹配物联网设备进行组合，形成第二待匹配物联网设备集合，所述第二待匹配物联网设备集合包括的每两个待匹配物联网设备之间具有匹配关系。
本发明实施例提供的一种物联网设备的设备匹配方法及系统，基于每一个待匹配物联网设备对应的历史物联网设备运行数据和每一个待匹配物联网设备对应的设备部署位置信息，构建出对应的第一设备数据分布集；利用目标数据节点筛选神经网络，对第一设备数据分布集进行抽选，形成第一设备数据分布集对应的第一设备数据分布子集，并将第一设备数据分布子集包括的每一个数据分布节点对应的待匹配物联网设备进行组合，以形成第一待匹配物联网设备集合，以及，在所述第一设备数据分布集中，对所述第一设备数据分布集对应的第一设备数据分布子集筛除处理，以形成所述第一设备数据分布集对应的第二设备数据分布子集，再利用所述目标数据节点筛选神经网络，对所述第二设备数据分布子集进行抽选处理，以形成所述第二设备数据分布子集对应的第三设备数据分布子集，并将所述第三设备数据分布子集包括的每一个数据分布节点对应的待匹配物联网设备进行组合，形成第二待匹配物联网设备集合。基于前述的步骤，可以利用神经网络对待匹配物联网设备对应的历史物联网设备运行数据和设备部署位置信息进行整体上的分析处理，使得数据处理的可靠度更高，使得可以在一定程度上提高物联网设备的设备匹配的可靠度。
为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
图1为本发明实施例提供的设备匹配处理平台的结构框图。
图2为本发明实施例提供的物联网设备的设备匹配方法包括的各步骤的流程示意图。
图3为本发明实施例提供的物联网设备的设备匹配系统包括的各模块的示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例只是本发明的一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
如图1所示，本发明实施例提供了一种设备匹配处理平台。其中，所述设备匹配处理平台可以包括存储器和处理器。
详细地，所述存储器和处理器之间直接或间接地电性连接，以实现数据的传输或交互。例如，相互之间可通过一条或多条通讯总线或信号线实现电性连接。所述存储器中可以存储有至少一个可以以软件或固件(firmware)的形式，存在的软件功能模块(计算机程序)。所述处理器可以用于执行所述存储器中存储的可执行的计算机程序，从而实现本发明实施例提供的物联网设备的设备匹配方法。
举例来说，在一些实施方式中，所述存储器可以是，但不限于，随机存取存储器(Random Access Memory，RAM)，只读存储器(Read Only Memory，ROM)，可编程只读存储器(Programmable Read-Only Memory，PROM)，可擦除只读存储器(Erasable ProgrammableRead-Only Memory，EPROM)，电可擦除只读存储器(Electric Erasable ProgrammableRead-Only Memory，EEPROM)等。所述处理器可以是一种通用处理器，包括中央处理器(Central Processing Unit，CPU)、网络处理器(Network Processor，NP)、片上系统(System on Chip，SoC)等；还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)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。
举例来说，在一些实施方式中，所述设备匹配处理平台可以是一种具备数据处理能力的服务器(还可以包括通信单元等)。
结合图2，本发明实施例还提供一种物联网设备的设备匹配方法，可应用于上述设备匹配处理平台。其中，所述物联网设备的设备匹配方法有关的流程所定义的方法步骤，可以由所述设备匹配处理平台实现。
下面将对图2所示的具体流程，进行详细阐述。
步骤S110，对多个待匹配物联网设备进行历史数据提取处理，以得到每一个所述待匹配物联网设备对应的历史物联网设备运行数据，再基于每一个所述待匹配物联网设备对应的历史物联网设备运行数据和每一个所述待匹配物联网设备对应的设备部署位置信息，构建出对应的第一设备数据分布集。
在本发明实施例中，所述设备匹配处理平台可以对多个待匹配物联网设备进行历史数据提取处理，以得到每一个所述待匹配物联网设备对应的历史物联网设备运行数据，再基于每一个所述待匹配物联网设备对应的历史物联网设备运行数据和每一个所述待匹配物联网设备对应的设备部署位置信息，构建出对应的第一设备数据分布集。所述第一设备数据分布集中的每一个数据分布节点对应一个待匹配物联网设备，每两个数据分布节点之间的分布位置关系与对应的两个所述待匹配物联网设备对应的设备部署位置信息之间具有相关关系(示例性地，所述第一设备数据分布集中的每一个数据分布节点的节点属性信息可以是对应的待匹配物联网设备的历史物联网设备运行数据，所述历史物联网设备运行数据可以是对应的待匹配物联网设备的设备运行日志数据等)。
步骤S120，利用目标数据节点筛选神经网络，对所述第一设备数据分布集进行抽选，形成所述第一设备数据分布集对应的第一设备数据分布子集，并将所述第一设备数据分布子集包括的每一个数据分布节点对应的待匹配物联网设备进行组合，以形成第一待匹配物联网设备集合。
在本发明实施例中，所述设备匹配处理平台可以利用目标数据节点筛选神经网络，对所述第一设备数据分布集进行抽选，形成所述第一设备数据分布集对应的第一设备数据分布子集，并将所述第一设备数据分布子集包括的每一个数据分布节点对应的待匹配物联网设备进行组合，以形成第一待匹配物联网设备集合。所述第一待匹配物联网设备集合包括的每两个待匹配物联网设备之间具有匹配关系。
步骤S130，在所述第一设备数据分布集中，对所述第一设备数据分布集对应的第一设备数据分布子集筛除处理，以形成所述第一设备数据分布集对应的第二设备数据分布子集，再利用所述目标数据节点筛选神经网络，对所述第二设备数据分布子集进行抽选处理，以形成所述第二设备数据分布子集对应的第三设备数据分布子集，并将所述第三设备数据分布子集包括的每一个数据分布节点对应的待匹配物联网设备进行组合，形成第二待匹配物联网设备集合。
在本发明实施例中，所述设备匹配处理平台可以在所述第一设备数据分布集中，对所述第一设备数据分布集对应的第一设备数据分布子集筛除处理，以形成所述第一设备数据分布集对应的第二设备数据分布子集，再利用所述目标数据节点筛选神经网络，对所述第二设备数据分布子集进行抽选处理，以形成所述第二设备数据分布子集对应的第三设备数据分布子集，并将所述第三设备数据分布子集包括的每一个数据分布节点对应的待匹配物联网设备进行组合，形成第二待匹配物联网设备集合。所述第二待匹配物联网设备集合包括的每两个待匹配物联网设备之间具有匹配关系。
基于前述的步骤，可以利用神经网络对待匹配物联网设备对应的历史物联网设备运行数据和设备部署位置信息进行整体上的分析处理，使得数据处理的可靠度更高，使得可以在一定程度上提高物联网设备的设备匹配的可靠度，从而改善现有技术中存在的不足。
举例来说，在一些实施方式中，步骤S120，可以进一步包括：
提取示例性监督设备数据分布集、示例性无监督设备数据分布集、所述示例性监督设备数据分布集对应的监督分布节点抽选标识(示例性地，在所述示例性监督设备数据分布集中，所述监督分布节点抽选标识对应的示例性物联网设备之间具有匹配关系)、所述示例性无监督设备数据分布集对应的待对比分布节点抽选标识(示例性地，在所述示例性无监督设备数据分布集中，所述待对比分布节点抽选标识对应的示例性物联网设备之间具有匹配关系)和预先搭建的初始数据节点筛选神经网络，所述初始数据节点筛选神经网络包括第一特征挖掘子网络、第二特征挖掘子网络、特征匹配融合子网络和特征还原子网络；
利用所述第一特征挖掘子网络，对所述示例性监督设备数据分布集和所述监督分布节点抽选标识对应的数据聚合特征表示进行特征挖掘操作，以形成所述示例性监督设备数据分布集对应的监督性数据特征表示(示例性地，可以先将所述示例性监督设备数据分布集和所述监督分布节点抽选标识进行信息聚合，如拼接等，以形成对应的数据聚合特征表示，然后，再利用所述第一特征挖掘子网络对所述数据聚合特征表示进行特征挖掘操作，以形成所述示例性监督设备数据分布集对应的监督性数据特征表示)；
利用所述第二特征挖掘子网络，对所述示例性无监督设备数据分布集进行特征挖掘操作，以形成所述示例性无监督设备数据分布集对应的非监督性数据特征表示；
利用所述特征匹配融合子网络，对所述监督性数据特征表示和所述非监督性数据特征表示进行特征匹配融合操作，以形成所述示例性无监督设备数据分布集对应的匹配融合数据特征表示；
利用所述特征还原子网络，对所述非监督性数据特征表示和所述匹配融合数据特征表示进行特征还原操作，以输出所述示例性无监督设备数据分布集对应的的预测分布节点抽选标识；
依据所述示例性无监督设备数据分布集对应的预测分布节点抽选标识和所述待对比分布节点抽选标识，计算得到对应的预测学习代价值，以及，再基于所述预测学习代价值对所述第一特征挖掘子网络、所述第二特征挖掘子网络、所述特征匹配融合子网络和所述特征还原子网络进行网络优化，以形成对应的目标数据节点筛选神经网络。
举例来说，在一些实施方式中，所述第一特征挖掘子网络包括至少一个特征挖掘单元，基于此，所述利用所述第一特征挖掘子网络，对所述示例性监督设备数据分布集和所述监督分布节点抽选标识对应的数据聚合特征表示进行特征挖掘操作，以形成所述示例性监督设备数据分布集对应的监督性数据特征表示的步骤，可以进一步包括：
利用所述至少一个特征挖掘单元，对所述示例性监督设备数据分布集和所述监督分布节点抽选标识对应的数据聚合特征表示进行特征挖掘操作，以形成所述示例性监督设备数据分布集对应的监督性数据特征表示。
举例来说，在一些实施方式中，所述第一特征挖掘子网络包括级联的输入端特征挖掘单元、中间特征挖掘单元和输出端特征挖掘单元，基于此，所述利用所述至少一个特征挖掘单元，对所述示例性监督设备数据分布集和所述监督分布节点抽选标识对应的数据聚合特征表示进行特征挖掘操作，以形成所述示例性监督设备数据分布集对应的监督性数据特征表示的步骤，可以进一步包括：
对所述示例性监督设备数据分布集和所述监督分布节点抽选标识对应的数据聚合特征表示进行加载，以利用所述输入端特征挖掘单元进行输入端特征抽选操作(即按照一定的规则或比例进行数据的抽选)，形成所述示例性监督设备数据分布集对应的输入端抽选数据特征表示；
对所述输入端抽选数据特征表示进行加载，以利用所述中间特征挖掘单元进行中间特征抽选操作(如上述相关描述)，形成所述示例性监督设备数据分布集对应的中间抽选数据特征表示；
对所述中间抽选数据特征表示进行加载，以利用所述输出端特征挖掘单元进行输出端特征抽选操作(如上述相关描述，另外，各特征挖掘单元可以都包括有过滤层、数据映射层和激活函数，所述数据映射层可以用于映射至0到1)，形成输出端抽选数据特征表示，以作为所述示例性监督设备数据分布集对应的监督性数据特征表示。
举例来说，在一些实施方式中，所述第二特征挖掘子网络包括初级特征挖掘单元、中级特征挖掘单元、高级特征挖掘单元和目标数目(如1、2、3、4、5、6、7、8、9等)的特征聚合单元，基于此，所述利用所述第二特征挖掘子网络，对所述示例性无监督设备数据分布集进行特征挖掘操作，以形成所述示例性无监督设备数据分布集对应的非监督性数据特征表示的步骤，可以进一步包括：
利用所述初级特征挖掘单元、所述中级特征挖掘单元、所述高级特征挖掘单元和所述目标数目的特征聚合单元，对所述示例性无监督设备数据分布集进行特征挖掘操作，以形成所述示例性无监督设备数据分布集对应的非监督性数据特征表示。
举例来说，在一些实施方式中，所述目标数目的特征聚合单元包括配置在所述初级特征挖掘单元和所述中级特征挖掘单元之间的输入端特征聚合单元、配置在所述中级特征挖掘单元和所述高级特征挖掘单元之间的中间特征聚合单元、配置在所述高级特征挖掘单元的输出端的输出端特征聚合单元，基于此，所述利用所述初级特征挖掘单元、所述中级特征挖掘单元、所述高级特征挖掘单元和所述目标数目的特征聚合单元，对所述示例性无监督设备数据分布集进行特征挖掘操作，以形成所述示例性无监督设备数据分布集对应的非监督性数据特征表示的步骤，可以进一步包括：
对所述示例性无监督设备数据分布集进行加载，以利用所述初级特征挖掘单元进行初级特征抽选操作(如上相关的描述)，形成所述示例性无监督设备数据分布集对应的初级抽选数据特征表示；
对所述初级抽选数据特征表示和所述输入端抽选数据特征表示进行加载，以利用所述输入端特征聚合单元进行初级特征表示聚合操作(可以用于将各特征表示进行聚合，如拼接或叠加)，形成所述示例性无监督设备数据分布集对应的聚合初级抽选数据特征表示；
对所述聚合初级抽选数据特征表示进行加载，以利用所述中级特征挖掘单元进行中级特征抽选操作(如上相关的描述)，形成所述示例性无监督设备数据分布集对应的中级抽选数据特征表示；
对所述中级抽选数据特征表示和所述中间抽选数据特征表示进行加载，以利用所述中间特征聚合单元进行中级特征表示聚合操作(如上相关的描述)，形成所述示例性无监督设备数据分布集对应的聚合中级抽选数据特征表示；
对所述聚合中级抽选数据特征表示进行加载，以利用所述高级特征挖掘单元进行高级特征抽选操作(如上相关的描述)，形成所述示例性无监督设备数据分布集对应的高级抽选数据特征表示；
对所述高级抽选数据特征表示和所述监督性数据特征表示进行加载，以利用所述输出端特征聚合单元进行高级特征表示聚合操作(如上相关的描述)，形成对应的聚合高级抽选数据特征表示，以作为所述示例性无监督设备数据分布集对应的非监督性数据特征表示。
举例来说，在一些实施方式中，所述输入端特征聚合单元包括第二特征融合单元和第二特征过滤单元，基于此，所述对所述初级抽选数据特征表示和所述输入端抽选数据特征表示进行加载，以利用所述输入端特征聚合单元进行初级特征表示聚合操作，形成所述示例性无监督设备数据分布集对应的聚合初级抽选数据特征表示的步骤，可以进一步包括：
对所述初级抽选数据特征表示和所述输入端抽选数据特征表示进行加载，以利用所述第二特征融合单元，确定出对应的抽选数据融合特征表示；以及，对所述抽选数据融合特征表示进行加载，以利用所述第二特征过滤单元，确定出所述示例性无监督设备数据分布集对应的聚合初级抽选数据特征表示(具体的实施方式可以参照前述的相关描述)。
举例来说，在一些实施方式中，所述特征还原子网络包括级联的输入端特征还原单元、中间特征还原单元、输出端特征还原单元和第三特征过滤单元，基于此，所述利用所述特征还原子网络，对所述非监督性数据特征表示和所述匹配融合数据特征表示进行特征还原操作，以输出所述示例性无监督设备数据分布集对应的的预测分布节点抽选标识的步骤，可以进一步包括：
对所述非监督性数据特征表示和所述匹配融合数据特征表示进行加载，以利用所述输入端特征还原单元，确定出初始数据还原特征表示(示例性地，各特征还原单元的处理过程可以与前述的特征挖掘单元的处理过程相反，其可以包括反过滤层、数据映射层和激活函数)；
对所述初始数据还原特征表示和所述中级抽选数据特征表示进行加载，以利用所述中间特征还原单元，确定出中间数据还原特征表示；
对所述中间数据还原特征表示和所述初级抽选数据特征表示进行加载，以利用所述输出端特征还原单元，确定出输出端数据还原特征表示；
对所述输出端数据还原特征表示进行加载，以利用所述第三特征过滤单元(示例性地，所述第三特征过滤单元可以包括过滤层和激活函数，激活函数可以是非线性激活，得到的预测分布节点抽选标识包括每一个数据分布节点对应的抽选概率值，如0或1，或者0到1)，确定出所述示例性无监督设备数据分布集对应的预测分布节点抽选标识。
举例来说，在一些实施方式中，所述依据所述示例性无监督设备数据分布集对应的预测分布节点抽选标识和所述待对比分布节点抽选标识，计算得到对应的预测学习代价值的步骤，可以进一步包括：
依据所述示例性无监督设备数据分布集对应的预测分布节点抽选标识和所述待对比分布节点抽选标识，分析输出对应的第一维度预测学习代价值和第二维度预测学习代价值；以及，依据所述第一维度预测学习代价值和所述第二维度预测学习代价值，计算输出对应的预测学习代价值(示例性地，可以基于任意的两种学习代价值计算函数，即损失计算函数，计算分别对所述示例性无监督设备数据分布集对应的预测分布节点抽选标识和所述待对比分布节点抽选标识进行两种学习代价值计算，然后，可以对两个学习代价值进行加权均值或均值计算，以得到预测学习代价值)。
举例来说，在一些实施方式中，所述特征匹配融合子网络包括特征匹配单元、第一特征融合单元和第一特征过滤单元，基于此，所述利用所述特征匹配融合子网络，对所述监督性数据特征表示和所述非监督性数据特征表示进行特征匹配融合操作，以形成所述示例性无监督设备数据分布集对应的匹配融合数据特征表示的步骤，可以进一步包括：
对所述监督性数据特征表示和所述非监督性数据特征表示进行加载，以利用所述特征匹配单元，确定出所述监督性数据特征表示和所述非监督性数据特征表示之间的匹配数据特征表示(示例性地，可以对所述监督性数据特征表示和所述非监督性数据特征表示进行叉乘，以确定出所述监督性数据特征表示和所述非监督性数据特征表示之间的匹配数据特征表示)；
对所述匹配数据特征表示和所述非监督性数据特征表示进行加载，以利用所述第一特征融合单元(示例性地，所述所述第一特征融合单元可以用于进行拼接或叠加等)，确定出初始数据融合特征表示；
对所述初始数据融合特征表示进行加载，以利用所述第一特征过滤单元(所述第一特征过滤单元包括包括卷积核，以通过对所述初始数据融合特征表示进行卷积运算，从而实现特征的过滤)，分析输出所述示例性无监督设备数据分布集对应的匹配融合数据特征表示。
举例来说，在一些实施方式中，步骤S130，可以进一步包括：
在所述第一设备数据分布集中，对所述第一设备数据分布集对应的第一设备数据分布子集筛除处理，以形成所述第一设备数据分布集对应的第二设备数据分布子集；
对所述第二设备数据分布子集中的每两个数据分布节点之间的分布位置关系进行调整，以形成新的第二设备数据分布子集；
利用所述目标数据节点筛选神经网络，对所述新的第二设备数据分布子集进行抽选处理(可以参照前文的相关描述)，以形成所述新的第二设备数据分布子集对应的第三设备数据分布子集，并将所述第三设备数据分布子集包括的每一个数据分布节点对应的待匹配物联网设备进行组合，以形成所述第三设备数据分布子集对应的第二待匹配物联网设备集合。
举例来说，在一些实施方式中，所述对所述第二设备数据分布子集中的每两个数据分布节点之间的分布位置关系进行调整，以形成新的第二设备数据分布子集的步骤，可以进一步包括：
对所述第一设备数据分布子集对应的数据分布节点的数量和所述第一设备数据分布集对应的数据分布节点的数量进行比值计算(示例性地，可以是两个数量中的前者除以后者)；
依据所述比值计算的结果，对所述第二设备数据分布子集中的每两个数据分布节点之间的分布位置关系进行对应比例的拉近，以实现分布位置关系的调整(例如，可以依据所述比值计算的结果，对所述分布位置关系对应的位置矢量进行加权，以得到所述分布位置关系对应的加权位置矢量，即新的分布位置关系)，形成新的第二设备数据分布子集。
举例来说，在一些实施方式中，步骤S130，还可以进一步包括：
在所述新的第二设备数据分布子集中，对所述新的第二设备数据分布子集对应的第三设备数据分布子集筛除处理，以形成所述新的第二设备数据分布子集对应的第四设备数据分布子集；
将所述第四设备数据分布子集包括的每一个数据分布节点对应的待匹配物联网设备进行组合，以形成所述第四设备数据分布子集对应的第三待匹配物联网设备集合；或者，对所述第四设备数据分布子集中的每两个数据分布节点之间的分布位置关系进行调整，以形成新的第四设备数据分布子集；利用所述目标数据节点筛选神经网络，对所述新的第四设备数据分布子集进行抽选处理，以形成所述新的第四设备数据分布子集对应的第五设备数据分布子集，并将所述第五设备数据分布子集包括的每一个数据分布节点对应的待匹配物联网设备进行组合，以形成所述第五设备数据分布子集对应的第三待匹配物联网设备集合，所述第三待匹配物联网设备集合包括的每两个待匹配物联网设备之间具有匹配关系。
结合图3，本发明实施例还提供一种物联网设备的设备匹配系统，可应用于上述设备匹配处理平台。其中，所述物联网设备的设备匹配系统包括：
设备数据分布集构建模块，用于对多个待匹配物联网设备进行历史数据提取处理，以得到每一个所述待匹配物联网设备对应的历史物联网设备运行数据，再基于每一个所述待匹配物联网设备对应的历史物联网设备运行数据和每一个所述待匹配物联网设备对应的设备部署位置信息，构建出对应的第一设备数据分布集，所述第一设备数据分布集中的每一个数据分布节点对应一个待匹配物联网设备，每两个数据分布节点之间的分布位置关系与对应的两个所述待匹配物联网设备对应的设备部署位置信息之间具有相关关系；
第一设备匹配组合模块，用于利用目标数据节点筛选神经网络，对所述第一设备数据分布集进行抽选，形成所述第一设备数据分布集对应的第一设备数据分布子集，并将所述第一设备数据分布子集包括的每一个数据分布节点对应的待匹配物联网设备进行组合，以形成第一待匹配物联网设备集合，所述第一待匹配物联网设备集合包括的每两个待匹配物联网设备之间具有匹配关系；
第二设备匹配组合模块，用于在所述第一设备数据分布集中，对所述第一设备数据分布集对应的第一设备数据分布子集筛除处理，以形成所述第一设备数据分布集对应的第二设备数据分布子集，再利用所述目标数据节点筛选神经网络，对所述第二设备数据分布子集进行抽选处理，以形成所述第二设备数据分布子集对应的第三设备数据分布子集，并将所述第三设备数据分布子集包括的每一个数据分布节点对应的待匹配物联网设备进行组合，形成第二待匹配物联网设备集合，所述第二待匹配物联网设备集合包括的每两个待匹配物联网设备之间具有匹配关系。
综上所述，本发明提供的一种物联网设备的设备匹配方法及系统，基于每一个待匹配物联网设备对应的历史物联网设备运行数据和每一个待匹配物联网设备对应的设备部署位置信息，构建出对应的第一设备数据分布集；利用目标数据节点筛选神经网络，对第一设备数据分布集进行抽选，形成第一设备数据分布集对应的第一设备数据分布子集，并将第一设备数据分布子集包括的每一个数据分布节点对应的待匹配物联网设备进行组合，以形成第一待匹配物联网设备集合，以及，在所述第一设备数据分布集中，对所述第一设备数据分布集对应的第一设备数据分布子集筛除处理，以形成所述第一设备数据分布集对应的第二设备数据分布子集，再利用所述目标数据节点筛选神经网络，对所述第二设备数据分布子集进行抽选处理，以形成所述第二设备数据分布子集对应的第三设备数据分布子集，并将所述第三设备数据分布子集包括的每一个数据分布节点对应的待匹配物联网设备进行组合，形成第二待匹配物联网设备集合。基于前述的步骤，可以利用神经网络对待匹配物联网设备对应的历史物联网设备运行数据和设备部署位置信息进行整体上的分析处理，使得数据处理的可靠度更高，使得可以在一定程度上提高物联网设备的设备匹配的可靠度。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种物联网设备的设备匹配方法，其特征在于，包括：
对多个待匹配物联网设备进行历史数据提取处理，以得到每一个所述待匹配物联网设备对应的历史物联网设备运行数据，再基于每一个所述待匹配物联网设备对应的历史物联网设备运行数据和每一个所述待匹配物联网设备对应的设备部署位置信息，构建出对应的第一设备数据分布集，所述第一设备数据分布集中的每一个数据分布节点对应一个待匹配物联网设备，每两个数据分布节点之间的分布位置关系与对应的两个所述待匹配物联网设备对应的设备部署位置信息之间具有相关关系；
利用目标数据节点筛选神经网络，对所述第一设备数据分布集进行抽选，形成所述第一设备数据分布集对应的第一设备数据分布子集，并将所述第一设备数据分布子集包括的每一个数据分布节点对应的待匹配物联网设备进行组合，以形成第一待匹配物联网设备集合，所述第一待匹配物联网设备集合包括的每两个待匹配物联网设备之间具有匹配关系；
在所述第一设备数据分布集中，对所述第一设备数据分布集对应的第一设备数据分布子集筛除处理，以形成所述第一设备数据分布集对应的第二设备数据分布子集，再利用所述目标数据节点筛选神经网络，对所述第二设备数据分布子集进行抽选处理，以形成所述第二设备数据分布子集对应的第三设备数据分布子集，并将所述第三设备数据分布子集包括的每一个数据分布节点对应的待匹配物联网设备进行组合，形成第二待匹配物联网设备集合，所述第二待匹配物联网设备集合包括的每两个待匹配物联网设备之间具有匹配关系。
2.如权利要求1所述的物联网设备的设备匹配方法，其特征在于，所述目标数据节点筛选神经网络基于对初始数据节点筛选神经网络进行网络优化形成，所述初始数据节点筛选神经网络的网络优化过程包括：
提取示例性监督设备数据分布集、示例性无监督设备数据分布集、所述示例性监督设备数据分布集对应的监督分布节点抽选标识、所述示例性无监督设备数据分布集对应的待对比分布节点抽选标识和预先搭建的初始数据节点筛选神经网络，所述初始数据节点筛选神经网络包括第一特征挖掘子网络、第二特征挖掘子网络、特征匹配融合子网络和特征还原子网络；
利用所述第一特征挖掘子网络，对所述示例性监督设备数据分布集和所述监督分布节点抽选标识对应的数据聚合特征表示进行特征挖掘操作，以形成所述示例性监督设备数据分布集对应的监督性数据特征表示；
利用所述第二特征挖掘子网络，对所述示例性无监督设备数据分布集进行特征挖掘操作，以形成所述示例性无监督设备数据分布集对应的非监督性数据特征表示；
利用所述特征匹配融合子网络，对所述监督性数据特征表示和所述非监督性数据特征表示进行特征匹配融合操作，以形成所述示例性无监督设备数据分布集对应的匹配融合数据特征表示；
利用所述特征还原子网络，对所述非监督性数据特征表示和所述匹配融合数据特征表示进行特征还原操作，以输出所述示例性无监督设备数据分布集对应的的预测分布节点抽选标识；
依据所述示例性无监督设备数据分布集对应的预测分布节点抽选标识和所述待对比分布节点抽选标识，计算得到对应的预测学习代价值，以及，再基于所述预测学习代价值对所述第一特征挖掘子网络、所述第二特征挖掘子网络、所述特征匹配融合子网络和所述特征还原子网络进行网络优化，以形成对应的目标数据节点筛选神经网络。
3.如权利要求2所述的物联网设备的设备匹配方法，其特征在于，所述第一特征挖掘子网络包括至少一个特征挖掘单元；所述利用所述第一特征挖掘子网络，对所述示例性监督设备数据分布集和所述监督分布节点抽选标识对应的数据聚合特征表示进行特征挖掘操作，以形成所述示例性监督设备数据分布集对应的监督性数据特征表示的步骤，包括：
利用所述至少一个特征挖掘单元，对所述示例性监督设备数据分布集和所述监督分布节点抽选标识对应的数据聚合特征表示进行特征挖掘操作，以形成所述示例性监督设备数据分布集对应的监督性数据特征表示。
4.如权利要求3所述的物联网设备的设备匹配方法，其特征在于，所述第一特征挖掘子网络包括级联的输入端特征挖掘单元、中间特征挖掘单元和输出端特征挖掘单元；
所述利用所述至少一个特征挖掘单元，对所述示例性监督设备数据分布集和所述监督分布节点抽选标识对应的数据聚合特征表示进行特征挖掘操作，以形成所述示例性监督设备数据分布集对应的监督性数据特征表示的步骤，包括：
对所述示例性监督设备数据分布集和所述监督分布节点抽选标识对应的数据聚合特征表示进行加载，以利用所述输入端特征挖掘单元进行输入端特征抽选操作，形成所述示例性监督设备数据分布集对应的输入端抽选数据特征表示；
对所述输入端抽选数据特征表示进行加载，以利用所述中间特征挖掘单元进行中间特征抽选操作，形成所述示例性监督设备数据分布集对应的中间抽选数据特征表示；
对所述中间抽选数据特征表示进行加载，以利用所述输出端特征挖掘单元进行输出端特征抽选操作，形成输出端抽选数据特征表示，以作为所述示例性监督设备数据分布集对应的监督性数据特征表示。
5.如权利要求4所述的物联网设备的设备匹配方法，其特征在于，所述第二特征挖掘子网络包括初级特征挖掘单元、中级特征挖掘单元、高级特征挖掘单元和目标数目的特征聚合单元；
所述利用所述第二特征挖掘子网络，对所述示例性无监督设备数据分布集进行特征挖掘操作，以形成所述示例性无监督设备数据分布集对应的非监督性数据特征表示的步骤，包括：
利用所述初级特征挖掘单元、所述中级特征挖掘单元、所述高级特征挖掘单元和所述目标数目的特征聚合单元，对所述示例性无监督设备数据分布集进行特征挖掘操作，以形成所述示例性无监督设备数据分布集对应的非监督性数据特征表示。
6.如权利要求5所述的物联网设备的设备匹配方法，其特征在于，所述目标数目的特征聚合单元包括配置在所述初级特征挖掘单元和所述中级特征挖掘单元之间的输入端特征聚合单元、配置在所述中级特征挖掘单元和所述高级特征挖掘单元之间的中间特征聚合单元、配置在所述高级特征挖掘单元的输出端的输出端特征聚合单元；
所述利用所述初级特征挖掘单元、所述中级特征挖掘单元、所述高级特征挖掘单元和所述目标数目的特征聚合单元，对所述示例性无监督设备数据分布集进行特征挖掘操作，以形成所述示例性无监督设备数据分布集对应的非监督性数据特征表示的步骤，包括：
对所述示例性无监督设备数据分布集进行加载，以利用所述初级特征挖掘单元进行初级特征抽选操作，形成所述示例性无监督设备数据分布集对应的初级抽选数据特征表示；
对所述初级抽选数据特征表示和所述输入端抽选数据特征表示进行加载，以利用所述输入端特征聚合单元进行初级特征表示聚合操作，形成所述示例性无监督设备数据分布集对应的聚合初级抽选数据特征表示；
对所述聚合初级抽选数据特征表示进行加载，以利用所述中级特征挖掘单元进行中级特征抽选操作，形成所述示例性无监督设备数据分布集对应的中级抽选数据特征表示；
对所述中级抽选数据特征表示和所述中间抽选数据特征表示进行加载，以利用所述中间特征聚合单元进行中级特征表示聚合操作，形成所述示例性无监督设备数据分布集对应的聚合中级抽选数据特征表示；
对所述聚合中级抽选数据特征表示进行加载，以利用所述高级特征挖掘单元进行高级特征抽选操作，形成所述示例性无监督设备数据分布集对应的高级抽选数据特征表示；
对所述高级抽选数据特征表示和所述监督性数据特征表示进行加载，以利用所述输出端特征聚合单元进行高级特征表示聚合操作，形成对应的聚合高级抽选数据特征表示，以作为所述示例性无监督设备数据分布集对应的非监督性数据特征表示。
7.如权利要求1-6任意一项所述的物联网设备的设备匹配方法，其特征在于，所述在所述第一设备数据分布集中，对所述第一设备数据分布集对应的第一设备数据分布子集筛除处理，以形成所述第一设备数据分布集对应的第二设备数据分布子集，再利用所述目标数据节点筛选神经网络，对所述第二设备数据分布子集进行抽选处理，以形成所述第二设备数据分布子集对应的第三设备数据分布子集，并将所述第三设备数据分布子集包括的每一个数据分布节点对应的待匹配物联网设备进行组合，形成第二待匹配物联网设备集合的步骤，包括：
在所述第一设备数据分布集中，对所述第一设备数据分布集对应的第一设备数据分布子集筛除处理，以形成所述第一设备数据分布集对应的第二设备数据分布子集；
对所述第二设备数据分布子集中的每两个数据分布节点之间的分布位置关系进行调整，以形成新的第二设备数据分布子集；
利用所述目标数据节点筛选神经网络，对所述新的第二设备数据分布子集进行抽选处理，以形成所述新的第二设备数据分布子集对应的第三设备数据分布子集，并将所述第三设备数据分布子集包括的每一个数据分布节点对应的待匹配物联网设备进行组合，以形成所述第三设备数据分布子集对应的第二待匹配物联网设备集合。
8.如权利要求7所述的物联网设备的设备匹配方法，其特征在于，所述对所述第二设备数据分布子集中的每两个数据分布节点之间的分布位置关系进行调整，以形成新的第二设备数据分布子集的步骤，包括：
对所述第一设备数据分布子集对应的数据分布节点的数量和所述第一设备数据分布集对应的数据分布节点的数量进行比值计算；
依据所述比值计算的结果，对所述第二设备数据分布子集中的每两个数据分布节点之间的分布位置关系进行对应比例的拉近，以实现分布位置关系的调整，形成新的第二设备数据分布子集。
9.如权利要求7所述的物联网设备的设备匹配方法，其特征在于，所述在所述第一设备数据分布集中，对所述第一设备数据分布集对应的第一设备数据分布子集筛除处理，以形成所述第一设备数据分布集对应的第二设备数据分布子集，再利用所述目标数据节点筛选神经网络，对所述第二设备数据分布子集进行抽选处理，以形成所述第二设备数据分布子集对应的第三设备数据分布子集，并将所述第三设备数据分布子集包括的每一个数据分布节点对应的待匹配物联网设备进行组合，形成第二待匹配物联网设备集合的步骤，还包括：
在所述新的第二设备数据分布子集中，对所述新的第二设备数据分布子集对应的第三设备数据分布子集筛除处理，以形成所述新的第二设备数据分布子集对应的第四设备数据分布子集；
将所述第四设备数据分布子集包括的每一个数据分布节点对应的待匹配物联网设备进行组合，以形成所述第四设备数据分布子集对应的第三待匹配物联网设备集合；或者，对所述第四设备数据分布子集中的每两个数据分布节点之间的分布位置关系进行调整，以形成新的第四设备数据分布子集；利用所述目标数据节点筛选神经网络，对所述新的第四设备数据分布子集进行抽选处理，以形成所述新的第四设备数据分布子集对应的第五设备数据分布子集，并将所述第五设备数据分布子集包括的每一个数据分布节点对应的待匹配物联网设备进行组合，以形成所述第五设备数据分布子集对应的第三待匹配物联网设备集合，所述第三待匹配物联网设备集合包括的每两个待匹配物联网设备之间具有匹配关系。
10.一种设备匹配处理平台，其特征在于，包括：
设备数据分布集构建模块，用于对多个待匹配物联网设备进行历史数据提取处理，以得到每一个所述待匹配物联网设备对应的历史物联网设备运行数据，再基于每一个所述待匹配物联网设备对应的历史物联网设备运行数据和每一个所述待匹配物联网设备对应的设备部署位置信息，构建出对应的第一设备数据分布集，所述第一设备数据分布集中的每一个数据分布节点对应一个待匹配物联网设备，每两个数据分布节点之间的分布位置关系与对应的两个所述待匹配物联网设备对应的设备部署位置信息之间具有相关关系；
第一设备匹配组合模块，用于利用目标数据节点筛选神经网络，对所述第一设备数据分布集进行抽选，形成所述第一设备数据分布集对应的第一设备数据分布子集，并将所述第一设备数据分布子集包括的每一个数据分布节点对应的待匹配物联网设备进行组合，以形成第一待匹配物联网设备集合，所述第一待匹配物联网设备集合包括的每两个待匹配物联网设备之间具有匹配关系；
第二设备匹配组合模块，用于在所述第一设备数据分布集中，对所述第一设备数据分布集对应的第一设备数据分布子集筛除处理，以形成所述第一设备数据分布集对应的第二设备数据分布子集，再利用所述目标数据节点筛选神经网络，对所述第二设备数据分布子集进行抽选处理，以形成所述第二设备数据分布子集对应的第三设备数据分布子集，并将所述第三设备数据分布子集包括的每一个数据分布节点对应的待匹配物联网设备进行组合，形成第二待匹配物联网设备集合，所述第二待匹配物联网设备集合包括的每两个待匹配物联网设备之间具有匹配关系。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311036715.8A CN117150108A (zh) | 2023-08-16 | 2023-08-16 | 一种物联网设备的设备匹配方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311036715.8A CN117150108A (zh) | 2023-08-16 | 2023-08-16 | 一种物联网设备的设备匹配方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117150108A true CN117150108A (zh) | 2023-12-01 |
Family
ID=88911103
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311036715.8A Pending CN117150108A (zh) | 2023-08-16 | 2023-08-16 | 一种物联网设备的设备匹配方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117150108A (zh) |
-
2023
- 2023-08-16 CN CN202311036715.8A patent/CN117150108A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115660520B (zh) | 一种基于交通运输物流的数据分析方法及系统 | |
| CN116126947B (zh) | 应用于企业管理系统的大数据分析方法及系统 | |
| CN115603973B (zh) | 基于政务信息网络的异构安全监测方法及系统 | |
| CN116091796B (zh) | 基于人工智能的无人机采集数据处理方法及系统 | |
| CN116310914B (zh) | 基于人工智能的无人机监控方法及系统 | |
| CN115814686B (zh) | 一种镭射气体混配生产系统的状态监控方法及系统 | |
| CN110376519B (zh) | 高压断路器故障诊断方法、装置及终端设备 | |
| CN110378739B (zh) | 一种数据流量匹配方法及装置 | |
| CN117150108A (zh) | 一种物联网设备的设备匹配方法及系统 | |
| CN116935280A (zh) | 一种基于视频分析的行为预测方法及系统 | |
| CN115630771B (zh) | 应用于智慧工地的大数据分析方法及系统 | |
| CN116821777A (zh) | 一种新型基础测绘数据整合方法及系统 | |
| CN116681350A (zh) | 智慧工厂故障检测方法及系统 | |
| CN116109988A (zh) | 基于人工智能和无人机的异常监控方法及系统 | |
| CN117278586A (zh) | 一种物联网设备的管控方法及系统 | |
| CN117149846B (zh) | 一种基于数据融合的电力数据分析方法和系统 | |
| CN113836402B (zh) | 一种基于数据处理的订单筛选方法 | |
| CN115375412B (zh) | 基于图像识别的商品智能推荐处理方法及系统 | |
| CN115980279B (zh) | 氖气纯度检测系统的稳定性优化方法及系统 | |
| CN113641848B (zh) | 一种电子产品的在线组装连接指导方法及系统 | |
| CN116501876B (zh) | 用于云端协同数字化服务的大数据跟踪方法及ai系统 | |
| CN115658946B (zh) | 基于5g互联网的监控数据可视化方法及系统 | |
| CN116680323B (zh) | 基于大数据安全平台的用户需求挖掘方法及系统 | |
| CN117176547A (zh) | 一种通信设备的管控方法及系统 | |
| CN113077352B (zh) | 基于用户信息和保险相关信息的保险服务物品推荐方法 |
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 |