[发明专利]一种通信网关机遥控参数智能模糊比对方法

权利要求书

1.一种通信网关机遥控参数智能模糊比对方法，其特征在于实施步骤包括：

1）输入待比对的通信网关机的两个遥控参数X₁和X₂；

2）将两个遥控参数X₁和X₂分别通过预先训练好的词向量模型M1转换为相同维度的一维向量[X₁]和 [X₂]；

3）将一维向量[X₁]输入卷积神经网络CNN1，同时将一维向量[X₂] 输入卷积神经网络CNN2，所述卷积神经网络CNN1和卷积神经网络CNN2为共享参数的两个对称的卷积神经网络，所述卷积神经网络CNN1和卷积神经网络CNN2将一维向量[X₁]和[X₂]构成的二维矩阵重新编码为一维向量后接入同一个神经网络层，并通过神经网络层计算卷积神经网络CNN1和卷积神经网络CNN2输出的一维向量[X’₁]和 [X’₂]之间距离；

4）判断卷积神经网络CNN1和卷积神经网络CNN2输出的一维向量[X’₁]和 [X’₂]之间距离是否大于预设阈值，如果大于预设阈值，则判定两个遥控参数X₁和X₂之间模糊匹配成功，否则判定两个遥控参数X₁和X₂之间模糊匹配失败；

其中步骤3）中的卷积神经网络CNN1和卷积神经网络CNN2的训练步骤如下：

3.1）导出通信网关机的参数配置文件中的网关机参数描述，并将网关机参数描述通过进行分词后保存为词向量训练数据T1；

3.2）将词向量训练数据T1使用词向量工具进行无监督的模型训练，根据网关机参数描述的基本结构将语义和语法作用相近的词转换成距离较近、固定长度的向量，得到由固定长度向量组成的词向量模型M1；

3.3）将词向量模型M1转换为遥控参数样本矩阵，其中m为词向量的长度，n为词的数量；

3.4）基于遥控参数样本矩阵随机构造训练样本对，随机打乱遥控参数样本矩阵的顺序，将遥控参数样本矩阵两两配对为训练样本对，如果训练样本对的两个遥控参数之间语义相同，则将该训练样本对标注为1，否则将该训练样本对标注为0，将所有带有标注的训练样本对构建得到有标注的数据集T2作为训练样本集合；

3.5）将训练样本集合划分为若干批次的子集D，每批次的子集D由支持集D_support和测试集数据D_test构成，且构造每批次的子集D时应遵从：对于N类不同的遥控参数描述，每类样本对均应随机选择K个匹配的遥控参数样本和K个不匹配的遥控参数样本，使得每个训练批次内每类有K个正例和K个反例，以保证支持集D_support的均衡，且将支持集D_support以外的其余数据构造测试集D_test以用于验证模型的准确率，N和K为指定的整数；

3.6）建立卷积神经网络CNN1和卷积神经网络CNN2，卷积神经网络CNN1和卷积神经网络CNN2为共享参数的两个对称的卷积神经网络，所述卷积神经网络CNN1和卷积神经网络CNN2将一维向量[X₁]和[X₂]构成的二维矩阵重新编码为一维向量后接入同一个神经网络层，且神经网络层后接一个只输出0和1的softmax分类器层，将每批次的子集D的训练样本对的一个参数样本输入卷积神经网络CNN1、另一个参数样本输入卷积神经网络CNN2，且将训练样本对的标注作为softmax分类器层的输出来分批训练卷积神经网络CNN1和卷积神经网络CNN2，最终完成对卷积神经网络CNN1和卷积神经网络CNN2的训练。

2.根据权利要求1所述的通信网关机遥控参数智能模糊比对方法，其特征在于，步骤3）中计算卷积神经网络CNN1和卷积神经网络CNN2输出的一维向量[X’₁]和 [X’₂]之间距离具体采用L2范数。