(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211071916.7 (22)申请日 2022.09.02 (71)申请人 北京电科智芯科技有限公司 地址 100192 北京市海淀区西小口路6 6号 东升科技园北 领地A-3座 (72)发明人 张博　夏信　张密　王守志　王波　 张立勇　夏少娴　 (74)专利代理 机构 北京清亦华知识产权代理事 务所(普通 合伙) 11201 专利代理师 于腾昊 (51)Int.Cl. H04L 67/12(2022.01) H04L 9/40(2022.01) H04L 69/22(2022.01) G16Y 30/10(2020.01)G16Y 40/50(2020.01) G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 感知数据 的解析方法、 系统及存储介质、 电 子设备 (57)摘要 本发明涉及物联网数据处理技术领域， 公开 了一种感知数据的解析方法、 系统及存储介质、 电子设备， 该方法包括： 获取感知数据集， 其中， 感知数据集包括多个感知终端的感知数据子集， 感知数据子集包括对应感知终端采集的多种数 据形式的感知数据； 利用预先构建好的深度学习 神经网络对感知数据集中的每一种数据形式的 感知数据进行信息提取， 得到感知数据信息； 构 建自适应解析模 型， 并利用自适应解析模型对感 知数据信息进行解析处理， 得到每一感知数据的 解析结果。 该方法提高了多数据形式感知数据解 析的准确性以及数据解析的自适应性。 权利要求书3页 说明书13页 附图2页 CN 115150439 A 2022.10.04 CN 115150439 A 1.一种感知数据的解析 方法， 其特 征在于， 所述方法包括： 获取感知数据集， 其中， 所述感知数据集包括多个感知终端的感知数据子集， 所述感知 数据子集包括对应感知终端采集的多种数据形式的感知数据； 利用预先构建好的深度学习神经网络对所述感知数据集中的每一种数据形式的感知 数据进行信息提取， 得到感知数据信息， 其中， 针对每一种数据形式的感知数据， 根据其数 据形式确定深度学习神经网络的隐含层的层数以及每层所述隐含层所含神经 元个数； 构建自适应解析模型， 并利用所述自适应解析模型对所述感知数据信息进行解析处 理， 得到每一所述感知数据的解析 结果。 2.根据权利要求1所述的感知数据的解析方法， 其特征在于， 所述获取感知数据集包 括： 接收多个感知终端的多种数据形式的加密处理后的感知数据， 其中， 每一加密处理后 的感知数据根据其数据形式对应的加密算法进行加密处 理后得到； 针对每一加密处理后的感知数据， 调用其数据形式对应的解密算法进行解密， 得到所 述感知数据集。 3.根据权利要求2所述的感知数据的解析方法， 其特征在于， 每一种数据 形式的感知数 据按预设顺序排列， 其中， 按照所述预设顺序依次调用对应的解密算法进行解密。 4.根据权利要求3所述的感知数据的解析方法， 其特征在于， 所述深度 学习神经网络包 括依次连接的输入层、 隐含层和输出层， 所述输入层的输入为： 所述感知数据集 ； 所述输入层对应的输出为： ， 其中， 表示多数据形式的输入矩阵， 表示所述输入层的权值矩阵， 表示所述输入层的偏置矩阵； 所述隐含层的输入为： 其中， 表示所述输入层到所述隐含层的权值矩阵， 表示所述隐含层基底， 表示 第a‑1层隐含层到第a层隐含层的权值矩阵， 表示第a‑1层隐含层的输出量传送至第a 层隐含层的部分， 表示第j层隐含层状态， 表示两隐含层之间的权值矩阵， 根据两隐含 层之间各神经 元之间关系确定； 所述隐含层的输出为： ， 其中， 表示激活函数； 所述输出层的输入为： ， 其中， 表示所述 隐含层到所述输出层的 权值矩阵， 表示所述输出层的基底； 所述输出层对应的输出为： ， 其中， 为激活函数， ， 其中， 表示感知数据信息 。 5.根据权利要求 4所述的感知数据的解析 方法， 其特 征在于， 所述方法还 包括： 构建数量适配模型， 并利用所述数量适配模型确定所述深度学习神经网络的隐含层的权　利　要　求　书 1/3 页 2 CN 115150439 A 2层数以及每层所述隐含层所含神经 元个数， 其中， 所述数量 适配模型为： 其中， 表示数量适配模型， Da表示多数据形式的输入矩阵， F表示数据形式分解 阵， YK表示隐含层层数以及对应神经元数量矩阵， QW表示隐含层的权值矩阵， B表示隐含层 的偏置矩阵， YS表示约束条件， 表示最佳数量适配结果。 6.根据权利要求5所述的感知数据的解析方法， 其特征在于， 预先构建所述深度 学习神 经网络时， 采用交叉熵损失函数进行构建， 其中， t时刻的交叉熵损失函数的表达式为： 其中， 表示t时刻的真实结果 值， 表示t时刻的预测结果 值； 对应P个时刻的全局损失函数为： 其中， 表示t时刻交叉熵损失函数 权重值。 7.根据权利要求4所述的感知数据的解析方法， 其特征在于， 利用所述自适应解析模型 对所述感知数据信息进行解析处 理， 得到解析 结果， 包括： 对所述感知数据信息进行分类处 理， 得到感知数据信息矩阵； 利用所述自适应解析模型从所述感知数据信 息矩阵中提取数据信 息， 并调用对应的数 据解析方法对所提取的数据信息进行解析， 得到解析 结果。 8.根据权利要求7所述的感知数据的解析方法， 其特征在于， 所述感知数据信息矩阵 为： 其中， ZData表示感知数据信息矩阵， 表示第i个感知终端的感知数据信息集合， N表 示感知终端的个数， ， ， 表示第j种数据形 式的数据包， M表 示第i个感知终端所含感知数据的数据形式的种类 个数。 9.根据权利要求7 所述的感知数据的解析 方法， 其特 征在于， 所述自适应解析模型为： 其中， 表示自适应解析模型， 表示感知数据信息矩阵， ST表示数据信息提 取集合， JX表示数据解析 方法集合， 表示数据解析输出 结果。 10.一种感知数据的解析系统， 其特 征在于， 所述系统包括： 定位识别模块， 用于获取感知数据集， 其中， 所述感知数据集包括多个感知终端的感知 数据子集， 所述感知数据子集包括对应感知终端采集的多种数据形式的感知数据； 提取模块， 用于利用预先构建好的深度学习神经网络对所述感知数据集中的每一种数 据形式的感知数据进 行信息提取， 得到感知数据信息， 其中， 针对每一种数据形式的感知数 据， 根据其数据形式确定深度学习神经网络的 隐含层的层数以及每层所述隐含层所含神经 元个数； 数据解析模块， 用于利用预先构建好的自适应解析模型对所述感知数据信 息进行解析权　利　要　求　书 2/3 页 3 CN 115150439 A 3