[发明专利]一种云组态平台的模型匹配处理方法及系统

权利要求书

1.一种云组态平台的模型匹配处理方法，其特征在于：包括下列步骤，

S1将现实设备的特征信息转换为中心处理模块可识别信息；

S2建立深度模型匹配神经网络，通过现实设备的特征变量对实例模型进行匹配，得出若干匹配模型；

S3对若干匹配模型进行匹配度评价，最终由用户从若干匹配模型中选择模型；

S4基于用户的模型选择对深度神经网络进行进化训练，获得更适合用户的组态模型；

所述S2中，建立一个深度模型匹配神经网络，包括第一输入层，第二输入层，三个隐含层，第一输出层及第二输出层；其中，第一输出层输出做为第二输入层的输入；

所述S2中，第一输入层，维度为N，样本个数为M，其中一个样本的输入为CH＝[ch₁,ch₂,...,ch_N]^T，其对应的样本输出为GM＝[gm₁,gm₂,...,gm_K]^T，K表示匹配组态模型的数量，用户根据实际情况确定组态模型匹配数量；f_1m为第一隐含层神经元传递函数，f_2q为第二隐含层神经元的传递函数；

第一输入层有N个神经元，为现实设备转换后的特征信息，第一隐含层与第一输入层全连接，层内无连接，第一隐含层神经元个数与样本个数相等，即等于M，第一隐含层神经元激活函数为：

第一隐含层的输出为输入变量与其对应的样本CH之间Euclid距离平方的指数平方的指数形式；式中，CH为输入变量，CH_m为第m个神经元对应的学习样本；

第二隐含层中有两类神经元，第一类神经元为第一隐含层每个神经元的输出和，其与各神经元的连接权值为1；第二类神经元为第一隐含层每个神经元输出的加权和；

一类的计算公式为

它对所有第一隐含层神经元的输出进行算术求和，传递函数为：

另一类计算公式为

它对所有第一隐含层的输出进行加权求和，第一隐含层中第m个神经元与第二隐含层第q个分子求和，神经元之间的连接权值为ω_mq，传递函数为

第一输出层中的神经元数目等于学习样本中输出向量的维数q，输出结果是第二隐含层的第二个节点除以第一个节点，即：

则第一输出层获得的输出为第一输出层的输出为第二输入层的输入，包含Q个神经元，将第一输入层输入的特征信息进行归一化处理后，引入第三隐含层，参与激活函数，包含有N个神经元；为了防止引入状态影响网络波动，设置第四隐含层，包含P个神经元；第二输入层、第三隐含层、第四隐含层、第二输出层之前的权值分别为ω_qn、ω_np、ω_pk，其中，1≤q≤Q,1≤n≤N,1≤p≤P,1≤k≤K；

将第一输入层的输入进行归一化处理，则有ch_min表示数据中的最小值，ch_max表示数据中的最大值；进过归一化处理的信息转换为CH′＝[ch′₁,ch′₂,...,ch′_N]；

当第二输入层输入为out_q时，结合第一输入层归一化处理信息计算，第三隐含层的输出为第四隐含层的输出为其中第三隐含层的激活函数为第四隐含层的激活函数为第二输出层的输出为

获得输出组态模型信息为GM′＝[gm′₁,gm′₂,...,gm′_K]，测试神经网络的训练效果时，根据实际需要设置阈值ε，通过与样本输出GM＝[gm₁,gm₂,...,gm_K]进行均方误差计算：

若满足MSE(GM,GM′)ε，则认为满足实际需求，训练完毕，否则循环执行直至满足需求；

所述S2中，深度模型匹配神经网络训练完成后，则进行对所需模型的匹配，将转化后的现实设备数据信息输入神经网络，输出即为匹配的组态模型的相应编码。