[发明专利]一种基于深度学习的多源异构网络接入方法

说明书

本发明提供了一种基于深度学习的多源异构网络接入方法，包括：获取智能制造系统中多源异构设备的网络接入需求，并基于网络接入需求，向多源异构设备中的每个第一设备匹配接入信息；基于接入信息，确定每个第一设备的通讯时间点；基于通讯时间点以及每个第一设备的通讯标识，构建通讯列表，并基于马尔科夫链对第一设备进行冲突控制；获取每个第一设备的接入指标，并基于卷积神经网络对接入指标进行分析，并按照分析结果，向第一设备匹配资源传输因子；基于冲突控制结果以及资源传输因子，实现对多源异构设备的网络接入。可以避免竞争冲突，进而有效保证多源异构设备接入网络的高效性，间接也保证了资源利用效率的高效性。

技术领域

本发明涉及神经网络技术领域，特别涉及一种基于深度学习的多源异构网络接入方法。

背景技术

多源异构简单而言就是指一个整体由多个不同来源的成分而构成。

在智能制造系统中存在多条智能化制造线路，且每条智能化制造线路匹配的智能化设备是不一样的，因此，在制造过程中，不同的设备需要按照指定的通讯时间去完成自身的功能操作，但是会出现通讯时间相同等的情况，导致存在通讯竞争冲突，进而导致入网方式不灵活以及资源利用效率低下的问题。

因此，本发明提出一种基于深度学习的多源异构网络接入方法。

发明内容

本发明提供一种基于深度学习的多源异构网络接入方法，用以通过对多源异构设备进行马尔科夫链的冲突控制以及按照卷积神经网络对接入指标进行分析，可以避免竞争冲突，进而有效保证多源异构设备接入网络的高效性，间接也保证了资源利用效率的高效性。

本发明提供一种基于深度学习的多源异构网络接入方法，包括：

步骤1：获取智能制造系统中多源异构设备的网络接入需求，并基于所述网络接入需求，向所述多源异构设备中的每个第一设备匹配接入信息；

步骤2：基于所述接入信息，确定每个第一设备的通讯时间点；

步骤3：基于通讯时间点以及每个第一设备的通讯标识，构建通讯列表，并基于马尔科夫链对所述第一设备进行冲突控制；

步骤4：获取每个第一设备的接入指标，并基于卷积神经网络对所述接入指标进行分析，并按照分析结果，向所述第一设备匹配资源传输因子；

步骤5：基于冲突控制结果以及资源传输因子，实现对多源异构设备的网络接入。

优选的，获取智能制造系统中多源异构设备的网络接入需求之前，还包括：

确定所述智能制造系统中的智能化生产线；

向所述智能化生产线匹配生产设备，并根据所述生产设备获取得到初始异构设备；

获取所述初始异构设备中每个生产设备的历史网络连接情况，并将历史网络连接情况为空的设备剔除，得到多源异构设备。

优选的，获取智能制造系统中多源异构设备的网络接入需求，包括：

从历史数据库中，调取所述多源异构设备中每个第一设备的历史网络日志；

对所述历史网络日志进行预分析，确定对应第一设备的网络连接参数，并构建对应的网络曲线，同时，获取所述第一设备的历史工作日志，构建对应的工作曲线；

基于所述网络曲线与工作曲线进行时间对比分析以及所述网络曲线的谷点走向以及峰点走向，向对应第一设备配置网络连接因子；

获取所述智能制造系统的制造需求，并基于需求-网络数据库，匹配得到所述制造需求的网络需求，并按照每个第一设备的设备网络请求，向每个第一设备配置网络需求因子；

基于每个第一设备的网络需求因子-网络连接因子，构建得到所述多源异构设备的网络接入需求。