[发明专利]目标设备识别方法、电子设备及介质

说明书

本发明涉及一种目标设备识别方法、电子设备及介质，所述方法包括步骤S1、获取多个样本设备信息，构建训练集，样本设备包括目标设备和非目标设备；步骤S2、基于预设的第一算法框架将训练集的样本数据进行预处理；步骤S3、基于预设的第二算法框架获取预设模型的超参数，所述预设模型包括多个子模型；步骤S4、基于预设的第一算法框架、预处理后的训练集的样本数据、预设模型的超参数进行模型训练，得到设备分类模型；步骤S5、获取待测设备对应的自变量特征向量并输入所述设备分类模型，得到分类预测值，判断所述分类预测值是否大于预设的分类阈值，若大于，则确定所述待测设备为目标设备。本发明提高了设备信息实时变化的场景的目标设备识别效率。

技术领域

本发明涉及计算机技术领域，尤其涉及一种目标设备识别方法、电子设备及介质。

背景技术

随着人工智能技术的快速发展，目标设备识别领域通常建立设备分类模型来判断待测设备是否为目标设备。现有的设备分类模型多是以分类精确性为目标构建的，识别精确度高，模型训练时间长，适用于相对稳定的应用场景下的设备信息识别。但是，对于实时变化的场景下的设备信息是被，则不再适用，由于模型训练时间长，训练效率低，无法满足实时性要求，造成目标识别效率低。因此，如何提供一种适用于设备信息实时变化的场景的设备信息识别技术成为亟待解决的技术问题。

发明内容

本发明目的在于，提供一种目标设备识别方法、电子设备及介质，提高了设备信息实时变化的场景的目标设备识别效率。

根据本发明第一方面，提供了一种目标设备识别方法，包括：

步骤S1、获取多个样本设备信息，构建训练集，所述样本设备包括目标设备和非目标设备；

步骤S2、基于预设的第一算法框架将所述训练集的样本数据进行预处理；

步骤S3、基于预设的第二算法框架获取预设模型的超参数，所述预设模型包括多个子模型；

步骤S4、基于预设的第一算法框架、预处理后的训练集的样本数据、预设模型的超参数进行模型训练，得到设备分类模型；

步骤S5、获取待测设备对应的自变量特征向量并输入所述设备分类模型，得到分类预测值，判断所述分类预测值是否大于预设的分类阈值，若大于，则确定所述待测设备为目标设备。

根据本发明第二方面，提供一种电子设备，包括：至少一个处理器；以及，与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被设置为用于执行本发明第一方面所述的方法。

根据本发明第三方面，提供一种计算机可读存储介质，所述计算机指令用于执行本发明第一方面所述的方法。

本发明与现有技术相比具有明显的优点和有益效果。借由上述技术方案，本发明提供的一种目标设备识别方法、电子设备及介质可达到相当的技术进步性及实用性，并具有产业上的广泛利用价值，其至少具有下列优点：

本发明采用第一算法框架对样本数据进行预处理，以及模型自动集成，采用第二算法框架获取模型超参数，提高了模型训练效率，满足了实时性要求，从而提高了设备信息实时变化的场景的目标设备识别效率。

上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其他目的、特征和优点能够更明显易懂，以下特举较佳实施例，并配合附图,详细说明如下。

附图说明

图1为本发明实施例提供的目标设备识别方法流程图。

具体实施方式