本發(fā)明屬于智能信號(hào)處理，具體而言，涉及利用長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)對(duì)信號(hào)特征進(jìn)行分類(lèi)，可用于智能工廠中入侵設(shè)備的檢出。

背景技術(shù)：

1、隨著網(wǎng)絡(luò)技術(shù)的發(fā)展和智能硬件制造成本的降低，智能制造設(shè)備如智能機(jī)械臂、網(wǎng)絡(luò)攝像頭、分布式自動(dòng)控制器、人工智能質(zhì)量檢測(cè)設(shè)備等被廣泛地應(yīng)用于智能工廠中，以提高管理效率和生產(chǎn)質(zhì)量、降低物料成本和人力開(kāi)銷(xiāo)。

2、然而，智能設(shè)備的引入也為傳統(tǒng)制造企業(yè)帶來(lái)了新的挑戰(zhàn)。例如，被秘密放置在智能工廠中的入侵設(shè)備能夠隱蔽地收集企業(yè)的機(jī)密數(shù)據(jù)，造成企業(yè)生產(chǎn)計(jì)劃和技術(shù)的泄露；被員工意外帶入生產(chǎn)場(chǎng)所的手機(jī)(此時(shí)被視為入侵設(shè)備)等設(shè)備，如不能被及時(shí)地檢出，可能干擾產(chǎn)線上的智能制造設(shè)備，造成經(jīng)濟(jì)損失。因此，當(dāng)前智能工廠對(duì)入侵設(shè)備的檢測(cè)存在迫切的需求。

3、由于入侵設(shè)備主要通過(guò)收、發(fā)電磁波的方式對(duì)正常智能制造設(shè)備產(chǎn)生影響，針對(duì)入侵設(shè)備和正常智能制造設(shè)備的區(qū)分問(wèn)題，其關(guān)鍵是區(qū)分兩類(lèi)設(shè)備所發(fā)射信號(hào)的特征。由于智能制造設(shè)備的生產(chǎn)廠家考慮到其設(shè)備的安全和知識(shí)產(chǎn)權(quán)因素，通常不會(huì)公布其生產(chǎn)的設(shè)備所發(fā)射的信號(hào)特征，故已有的方法主要采用人工智能技術(shù)，通過(guò)決策樹(shù)、k均值等方法對(duì)信號(hào)特征進(jìn)行分類(lèi)，以達(dá)到檢出入侵設(shè)備的目的。然而，隨著技術(shù)對(duì)抗的發(fā)展，一些入侵設(shè)備逐漸開(kāi)始采用長(zhǎng)連接、小數(shù)據(jù)量的方式發(fā)射信號(hào)，避免短時(shí)間、大流量集中上傳其采集到的信息，這使得其信號(hào)特征在短時(shí)間內(nèi)與正常智能制造設(shè)備十分相似，已有方法難以檢出此類(lèi)設(shè)備。為了實(shí)現(xiàn)此類(lèi)設(shè)備的檢出，必須在一段時(shí)間內(nèi)持續(xù)分析其信號(hào)特征，即采用有記憶性的檢測(cè)方法。

4、綜上所述，引入長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)，能夠解決當(dāng)前智能工廠入侵設(shè)備檢測(cè)方法遇到的主要難題。通過(guò)發(fā)展此項(xiàng)技術(shù)，能夠有效地彌補(bǔ)傳統(tǒng)方法存在的缺點(diǎn)，捕捉入侵設(shè)備的特征，實(shí)現(xiàn)智能工廠入侵設(shè)備的高效檢測(cè)。

5、需要說(shuō)明的是，在上述背景技術(shù)部分公開(kāi)的信息僅用于加強(qiáng)對(duì)本公開(kāi)的背景的理解，因此可以包括不構(gòu)成對(duì)本領(lǐng)域普通技術(shù)人員已知的現(xiàn)有技術(shù)的信息。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明的目的在于針對(duì)現(xiàn)有智能工廠非法入侵設(shè)備檢測(cè)方法存在的問(wèn)題，提出一種基于長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)的智能工廠入侵設(shè)備檢測(cè)方法。通過(guò)長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)能夠理解輸入序列前后時(shí)間關(guān)系的特性，提取智能工廠中設(shè)備所發(fā)射信號(hào)的時(shí)間特征；進(jìn)而，利用此時(shí)間特征，可以有效提高智能工廠入侵設(shè)備檢測(cè)方法的正確率；最后，通過(guò)對(duì)入侵設(shè)備的特征進(jìn)行聚類(lèi)，能夠識(shí)別智能工廠內(nèi)的入侵設(shè)備數(shù)量。綜上所述，本發(fā)明所提出的方法相較于現(xiàn)有的智能工廠入侵設(shè)備檢測(cè)方法，其多個(gè)方面的性能都實(shí)現(xiàn)了提升，從而為智能工廠的安全運(yùn)行提供了技術(shù)支撐。

2、本發(fā)明的目的是通過(guò)以下技術(shù)方案來(lái)實(shí)現(xiàn)的：一種基于長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)的智能工廠入侵設(shè)備檢測(cè)方法，包含以下步驟：

3、(1)信號(hào)的時(shí)序特征構(gòu)建：該步驟在時(shí)間和特征兩個(gè)維度上進(jìn)行，時(shí)間維度包含從開(kāi)始觀測(cè)時(shí)間t＝1到結(jié)束觀測(cè)時(shí)間t＝t的時(shí)間段，特征維度包含每個(gè)時(shí)間點(diǎn)所提取的若干不同特征；對(duì)于任一時(shí)間點(diǎn)t，由該時(shí)間點(diǎn)的采樣信號(hào)所提取的特征表達(dá)為：

4、xi,t＝[xi,t,1,xi,t,2,…,xi,t,]]t

5、其中，i＝1,2,…,i表達(dá)設(shè)備的編號(hào)，在訓(xùn)練過(guò)程中作為數(shù)據(jù)樣本的標(biāo)簽，i表達(dá)設(shè)備的總數(shù)，xi,t,n,n＝1,2,…,n表達(dá)在時(shí)間點(diǎn)t提取的編號(hào)為i的設(shè)備發(fā)射的射頻信號(hào)的第n個(gè)特征；編號(hào)為i的設(shè)備在觀測(cè)時(shí)間內(nèi)發(fā)射的射頻信號(hào)的總體特征表達(dá)為：

6、

7、(2)基于長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)的信號(hào)語(yǔ)義空間建模：該步驟涉及基于長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)的神經(jīng)網(wǎng)絡(luò)的正向傳播及其訓(xùn)練；所述基于長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)的神經(jīng)網(wǎng)絡(luò)的正向傳播計(jì)算過(guò)程如下：

8、fi，t＝sigmoid(wf·cat(ri，t-1，xi,t))

9、pi,t＝sigmoid(wp·cat(ri，t-1，xi,t))

10、qi,t＝tanh(wq·cat(ri，t-1，xi,t))

11、si，t＝fi，t⊙si,t-1+pi，t⊙qi,t

12、oi,t＝sigmoid(wo·cat(ri，t-1，xi，t))

13、ri，t＝oi，t⊙tanh(si，t)

14、每次計(jì)算時(shí)，需由t＝1始，計(jì)算至t＝t止，即由fi，1開(kāi)始計(jì)算，并最終得到ri，t；其中，除ri，t外，fi，t、pi,t、qi,t、si，t、oi,t、ri,t，t＝1,2，...，t表達(dá)計(jì)算步驟中的中間變量，wf、wp、wq、wo表達(dá)可訓(xùn)練參數(shù)，cat(·，·)表達(dá)將兩個(gè)向量首尾相接的操作，sigmoid(·)表達(dá)西格蒙德函數(shù)，tanh(·)表達(dá)雙曲正切函數(shù)，·表達(dá)矩陣或向量的乘積，⊙表達(dá)哈達(dá)瑪積，ri，0，si，0分別表達(dá)ri，t，si，t的初值，在訓(xùn)練過(guò)程中通過(guò)隨機(jī)的方式選取；將正向傳播計(jì)算過(guò)程表達(dá)為：

15、ri，t＝l(xi；wf，wp，wq，wo)

16、其中，l(·)表達(dá)由以上公式說(shuō)明的計(jì)算過(guò)程；通過(guò)該正向傳播計(jì)算過(guò)程，將t＝1至t＝t時(shí)間段內(nèi)，編號(hào)為i的設(shè)備發(fā)射的射頻信號(hào)的總體特征xi計(jì)算為其在信號(hào)語(yǔ)義空間中的表征ri，t；

17、訓(xùn)練過(guò)程選擇三個(gè)損失函數(shù)，每次，將一個(gè)用于訓(xùn)練的數(shù)據(jù)樣本經(jīng)上式所示過(guò)程計(jì)算為其表征，然后計(jì)算損失函數(shù)的值，最后進(jìn)行反向傳播，更新可訓(xùn)練參數(shù)wf、wp、wq、wo；所選擇的損失函數(shù)表達(dá)為：

18、

19、其中，xi，m，m＝1,2，...，m表達(dá)來(lái)自編號(hào)為i的設(shè)備的第m條用于訓(xùn)練的數(shù)據(jù)樣本，m為來(lái)自該設(shè)備的訓(xùn)練樣本的總數(shù)，ri，m，t為xi，m的表征，ri，m，t＝l(xi，m；wf，wp，wq，wo)，ci表達(dá)所有來(lái)自編號(hào)為i的設(shè)備的數(shù)據(jù)樣本的表征的中心向量，softmax(·)表達(dá)softmax函數(shù)，abs(·)表達(dá)取絕對(duì)值，reverse(·)表達(dá)一個(gè)解碼神經(jīng)網(wǎng)絡(luò)，classify(·)表達(dá)一個(gè)分類(lèi)神經(jīng)網(wǎng)絡(luò)；

20、引入互補(bǔ)點(diǎn)機(jī)制，將編號(hào)為i的設(shè)備的互補(bǔ)點(diǎn)定義為pi，pi滿(mǎn)足：

21、

22、其中，d(·，·)為距離度量函數(shù)；基于此機(jī)制，引入新的損失函數(shù)表達(dá)為：

23、

24、其中，ri為可學(xué)習(xí)參數(shù)；

25、(3)基于信號(hào)統(tǒng)計(jì)特征的語(yǔ)義空間分割：采用標(biāo)準(zhǔn)差閾值分割方法，將語(yǔ)義空間表達(dá)為：

26、

27、其中，vi表達(dá)編號(hào)為i的設(shè)備對(duì)應(yīng)的語(yǔ)義空間，弘i表達(dá)用于訓(xùn)練的數(shù)據(jù)樣本中所有屬于該語(yǔ)義空間的向量ri，m，t的均值，φi表達(dá)分割閾值；對(duì)于語(yǔ)義空間vi，該分割閾值的確定方法為，對(duì)于用于訓(xùn)練的數(shù)據(jù)樣本中每一個(gè)屬于該語(yǔ)義空間的向量ri，m，t，計(jì)算下式：

28、di，m＝(ri，m，t-μi)t(ri，m，t-μi)

29、然后，計(jì)算di，m，m＝1,2，...，m的標(biāo)準(zhǔn)差σi，再將所有di，m的值由大至小排列，取第一個(gè)小于三倍σi的值作為語(yǔ)義空間vi的分割閾值φi；由此，整個(gè)語(yǔ)義空間被明確地分割為i+1部分，其中，前i部分vi，i＝1,2，...，i對(duì)應(yīng)訓(xùn)練集中已知類(lèi)型的設(shè)備所發(fā)出信號(hào)的語(yǔ)義空間，最后一部分被定義為：

30、vu＝rd-v1-v2-…-vi

31、其中，vu表達(dá)對(duì)應(yīng)未知入侵設(shè)備所發(fā)出信號(hào)的語(yǔ)義空間，rd表達(dá)d維的實(shí)向量空間，d表達(dá)ri，m，t的維度；僅在該式中，符號(hào)“[·]-[·]”表示該符號(hào)左側(cè)的語(yǔ)義空間除去所有來(lái)自該符號(hào)右側(cè)的語(yǔ)義空間中的元素；

32、(4)入侵設(shè)備識(shí)別：當(dāng)采集到一段信號(hào)并按照步驟(1)計(jì)算其特征xs后，將其特征輸入訓(xùn)練完成的基于長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)的神經(jīng)網(wǎng)絡(luò)并得到其表征rs，t，若rs，t不屬于語(yǔ)義空間vu，則判斷其為已知設(shè)備，通過(guò)識(shí)別出的設(shè)備編號(hào)判斷其為正常智能制造設(shè)備或已知入侵設(shè)備；否則，判斷其為未知入侵設(shè)備。

33、進(jìn)一步地，基于長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)的神經(jīng)網(wǎng)絡(luò)的不同損失函數(shù)的作用為：lcenter使得來(lái)自同一臺(tái)設(shè)備的射頻信號(hào)表征聚集在一起，保證了語(yǔ)義空間的稀疏性；lclassify確?；陂L(zhǎng)短時(shí)記憶網(wǎng)絡(luò)的神經(jīng)網(wǎng)絡(luò)擁有足夠的分類(lèi)能力；lreconstruction則強(qiáng)化了基于長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)的神經(jīng)網(wǎng)絡(luò)的表征能力。

34、進(jìn)一步地，距離度量函數(shù)d(·，·)公式為：

35、

36、其中，z為超參數(shù)。

37、進(jìn)一步地，通過(guò)步驟(2)訓(xùn)練所得的基于長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)的神經(jīng)網(wǎng)絡(luò)，能夠?qū)⑤斎離i，m投影至維度與其表征向量ri，m，t維度相同的語(yǔ)義空間內(nèi)，在該語(yǔ)義空間內(nèi)，來(lái)自相同編號(hào)設(shè)備的輸入對(duì)應(yīng)的表征向量聚集在一起，來(lái)自不同編號(hào)設(shè)備的輸入對(duì)應(yīng)的表征向量之間相互分離。

38、進(jìn)一步地，步驟(4)中，若判斷當(dāng)前存在多段信號(hào)來(lái)自未知入侵設(shè)備，通過(guò)k-means聚類(lèi)算法對(duì)其表征rs，t進(jìn)行聚類(lèi)，然后判斷未知入侵設(shè)備數(shù)等于k-means聚類(lèi)算法所得的類(lèi)別數(shù)。

39、本發(fā)明與現(xiàn)有技術(shù)相比具有以下優(yōu)點(diǎn)：

40、(1)本發(fā)明基于長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)，能夠分析不同時(shí)刻智能工廠內(nèi)設(shè)備所發(fā)射的信號(hào)的特征之間的時(shí)序關(guān)系，并從該時(shí)序關(guān)系中提取有關(guān)信號(hào)特征的更深層次的信息，進(jìn)一步地，能夠提高非法入侵設(shè)備的檢出效率。

41、(2)本發(fā)明基于特定的損失函數(shù)進(jìn)行訓(xùn)練，使得神經(jīng)網(wǎng)絡(luò)的特征空間具有較好的稀疏性。利用該稀疏性，可以對(duì)識(shí)別出的非法入侵設(shè)備的特征進(jìn)行聚類(lèi)，從而實(shí)現(xiàn)智能工廠內(nèi)非法入侵設(shè)備數(shù)量的識(shí)別。這對(duì)實(shí)際應(yīng)用中查找非法入侵設(shè)備、排除非法入侵設(shè)備有著重要意義。