对分类对象的元数据进行分类的聚类设备的制作方法

技术特征：
1.一种对分类对象的元数据进行分类的聚类设备，其特征在于，所述设备包括：网络构建组件，用于建立多层结构的径向基函数神经网络，所述多层结构分别为单个输入层、单个输出层和设定数量的隐含层，所述径向基函数神经网络的输入层的输入数据为来袭物群某一种类来袭物活动区域内分时捕获的多个数字图像，所述径向基函数神经网络的输出层的输出数据为所述种类来袭物是否具有攻击性以及在具有攻击性时每天发生攻击动作概率最高的时刻，所述设定数量的数值与待分析的来袭物种类总数成正比；网络训练组件，与所述网络构建组件连接，用于采用某一种类来袭物已知是否具有攻击性以及在具有攻击性时已知每天发生攻击动作概率最高的时刻作为所述网络构建组件建立的径向基函数神经网络的输出层的输出数据，采用所述种类来袭物在其活动区域内分时捕获的多个数字图像作为所述网络构建组件建立的径向基函数神经网络的输入层的输入数据对所述网络构建组件建立的径向基函数神经网络进行训练；智能分类组件，用于采用来袭物群待分析的某一种类来袭物活动区域内分时捕获的多个数字图像作为通过所述网络训练组件执行多次训练后的径向基函数神经网络的输入层的输入数据以运行所述多次训练后的径向基函数神经网络，并根据所述多次训练后的径向基函数神经网络的输出层的输出数据对所述待分析种类来袭物的攻击性进行分类；目标聚类组件，与所述智能分析组件连接，用于基于所述智能分类组件对来袭物群各个种类来袭物的攻击性的分类结果对来袭物群的各个种类来袭物进行聚类操作；其中，所述径向基函数神经网络的输入层的输入数据为来袭物群某一种类来袭物活动区域内分时捕获的多个数字图像包括：所述多个数字图像的捕获视野相同且分辨率相等，以及所述多个数字图像分别对应的多个捕获时刻均匀分布在一天的时间长度内；其中，所述径向基函数神经网络的输出层的输出数据为所述种类来袭物是否具有攻击性以及在具有攻击性时每天发生攻击动作概率最高的时刻包括：所述径向基函数神经网络的输出层的输出数据包括攻击标识数据和频繁攻击时刻；其中，所述径向基函数神经网络的输出层的输出数据包括攻击标识数据和频繁攻击时刻包括：当所述攻击标识数据等于1时，所述种类来袭物具有攻击性，所述频繁攻击时刻为每天发生攻击动作概率最高的时刻对应的二进制编码；其中，基于所述智能分类组件对来袭物群各个种类来袭物的攻击性的分类结果对来袭物群的各个种类来袭物进行聚类操作包括：将分类结果中具有相同攻击标识数据的多个种类来袭物划归为同一来袭物种类集合。2.如权利要求1所述的对分类对象的元数据进行分类的聚类设备，其特征在于，所述设备还包括：大数据存储组件，通过无线网络与所述目标聚类组件连接，用于存储所述目标聚类组件对来袭物群的各个种类来袭物进行的聚类操作结果。3.如权利要求1所述的对分类对象的元数据进行分类的聚类设备，其特征在于，所述设备还包括：参数配置组件，分别与所述网络构建组件、所述网络训练组件以及所述智能分类组件连接，用于分别实现对所述网络构建组件、所述网络训练组件以及所述智能分类组件的工作参数的现场配置。4.如权利要求1所述的对分类对象的元数据进行分类的聚类设备，其特征在于，所述设
备还包括：同步协调组件，分别与所述网络构建组件、所述网络训练组件以及所述智能分类组件连接，用于实现对所述网络构建组件、所述网络训练组件以及所述智能分类组件各自动作的协同控制。5.如权利要求1-4任一所述的对分类对象的元数据进行分类的聚类设备，其特征在于：基于所述智能分类组件对来袭物群各个种类来袭物的攻击性的分类结果对来袭物群的各个种类来袭物进行聚类操作包括：将分类结果中具有相同频繁攻击时刻的多个种类来袭物划归为同一来袭物种类集合。6.如权利要求5所述的对分类对象的元数据进行分类的聚类设备，其特征在于：所述径向基函数神经网络的输出层的输出数据包括攻击标识数据和频繁攻击时刻包括：当所述攻击标识数据等于0时，所述种类来袭物不具有攻击性，所述频繁攻击时刻为空符号对应的二进制编码；其中，将分类结果中具有相同攻击标识数据的多个种类来袭物划归为同一来袭物种类集合包括：将分类结果中具有攻击标识数据都等于1的多个种类来袭物划归为攻击型来袭物种类集合，将分类结果中具有攻击标识数据都等于0的多个种类来袭物划归为温和型来袭物种类集合。7.如权利要求6所述的对分类对象的元数据进行分类的聚类设备，其特征在于：将分类结果中具有相同频繁攻击时刻的多个种类来袭物划归为同一来袭物种类集合包括：将分类结果中具有相同频繁攻击时刻的多个种类来袭物划归为同一来袭物种类集合的种类集合为将分类结果中具有攻击标识数据都等于1的多个种类来袭物划归为同一来袭物种类集合的种类集合的子集。8.如权利要求1-4任一所述的对分类对象的元数据进行分类的聚类设备，其特征在于：所述径向基函数神经网络使用径向基函数作为激活函数，由多层结构构成；其中，在所述径向基函数神经网络的多层结构中，从输入层到隐含层的数值变换是非线性的，从隐含层到输出层的数值变换是线性的。9.一种对分类对象的元数据进行分类的聚类设备，其特征在于，所述设备包括存储器以及一个或多个处理器，所述存储器存储有计算机程序，所述计算机程序被配置成由所述一个或多个处理器执行以完成以下步骤：建立多层结构的径向基函数神经网络，所述多层结构分别为单个输入层、单个输出层和设定数量的隐含层，所述径向基函数神经网络的输入层的输入数据为来袭物群某一种类来袭物活动区域内分时捕获的多个数字图像，所述径向基函数神经网络的输出层的输出数据为所述种类来袭物是否具有攻击性以及在具有攻击性时每天发生攻击动作概率最高的时刻，所述设定数量的数值与待分析的来袭物种类总数成正比；采用某一种类来袭物已知是否具有攻击性以及在具有攻击性时已知每天发生攻击动作概率最高的时刻作为建立的径向基函数神经网络的输出层的输出数据，采用所述种类来袭物在其活动区域内分时捕获的多个数字图像作为建立的径向基函数神经网络的输入层的输入数据对建立的径向基函数神经网络进行训练；采用来袭物群待分析的某一种类来袭物活动区域内分时捕获的多个数字图像作为执行多次训练后的径向基函数神经网络的输入层的输入数据以运行所述多次训练后的径向
基函数神经网络，并根据所述多次训练后的径向基函数神经网络的输出层的输出数据对所述待分析种类来袭物的攻击性进行分类；基于对来袭物群各个种类来袭物的攻击性的分类结果对来袭物群的各个种类来袭物进行聚类操作；其中，所述径向基函数神经网络的输入层的输入数据为来袭物群某一种类来袭物活动区域内分时捕获的多个数字图像包括：所述多个数字图像的捕获视野相同且分辨率相等，以及所述多个数字图像分别对应的多个捕获时刻均匀分布在一天的时间长度内；其中，所述径向基函数神经网络的输出层的输出数据为所述种类来袭物是否具有攻击性以及在具有攻击性时每天发生攻击动作概率最高的时刻包括：所述径向基函数神经网络的输出层的输出数据包括攻击标识数据和频繁攻击时刻；其中，所述径向基函数神经网络的输出层的输出数据包括攻击标识数据和频繁攻击时刻包括：当所述攻击标识数据等于1时，所述种类来袭物具有攻击性，所述频繁攻击时刻为每天发生攻击动作概率最高的时刻对应的二进制编码；其中，基于所述智能分类组件对来袭物群各个种类来袭物的攻击性的分类结果对来袭物群的各个种类来袭物进行聚类操作包括：将分类结果中具有相同攻击标识数据的多个种类来袭物划归为同一来袭物种类集合。10.一种对分类对象的元数据进行分类的聚类方法，其特征在于，所述方法包括：建立多层结构的径向基函数神经网络，所述多层结构分别为单个输入层、单个输出层和设定数量的隐含层，所述径向基函数神经网络的输入层的输入数据为来袭物群某一种类来袭物活动区域内分时捕获的多个数字图像，所述径向基函数神经网络的输出层的输出数据为所述种类来袭物是否具有攻击性以及在具有攻击性时每天发生攻击动作概率最高的时刻，所述设定数量的数值与待分析的来袭物种类总数成正比；采用某一种类来袭物已知是否具有攻击性以及在具有攻击性时已知每天发生攻击动作概率最高的时刻作为建立的径向基函数神经网络的输出层的输出数据，采用所述种类来袭物在其活动区域内分时捕获的多个数字图像作为建立的径向基函数神经网络的输入层的输入数据对建立的径向基函数神经网络进行训练；采用来袭物群待分析的某一种类来袭物活动区域内分时捕获的多个数字图像作为执行多次训练后的径向基函数神经网络的输入层的输入数据以运行所述多次训练后的径向基函数神经网络，并根据所述多次训练后的径向基函数神经网络的输出层的输出数据对所述待分析种类来袭物的攻击性进行分类；基于对来袭物群各个种类来袭物的攻击性的分类结果对来袭物群的各个种类来袭物进行聚类操作；其中，所述径向基函数神经网络的输入层的输入数据为来袭物群某一种类来袭物活动区域内分时捕获的多个数字图像包括：所述多个数字图像的捕获视野相同且分辨率相等，以及所述多个数字图像分别对应的多个捕获时刻均匀分布在一天的时间长度内；其中，所述径向基函数神经网络的输出层的输出数据为所述种类来袭物是否具有攻击性以及在具有攻击性时每天发生攻击动作概率最高的时刻包括：所述径向基函数神经网络的输出层的输出数据包括攻击标识数据和频繁攻击时刻；其中，所述径向基函数神经网络的输出层的输出数据包括攻击标识数据和频繁攻击时
刻包括：当所述攻击标识数据等于1时，所述种类来袭物具有攻击性，所述频繁攻击时刻为每天发生攻击动作概率最高的时刻对应的二进制编码；其中，基于所述智能分类组件对来袭物群各个种类来袭物的攻击性的分类结果对来袭物群的各个种类来袭物进行聚类操作包括：将分类结果中具有相同攻击标识数据的多个种类来袭物划归为同一来袭物种类集合。

技术总结
本发明涉及一种对分类对象的元数据进行分类的聚类设备，属于人工智能技术领域。所述设备包括：网络构建组件，用于建立多层结构的径向基函数神经网络，所述网络的隐含层数量与待分析的来袭物种类总数成正比；智能分类组件，用于根据多次训练后的径向基函数神经网络的输出层的输出数据对待分析种类来袭物的攻击性进行分类；目标聚类组件，用于基于分类结果对来袭物群的各个种类来袭物进行聚类操作。本发明还涉及一种对分类对象的元数据进行分类的聚类方法。通过本发明，能够采用定制结构的径向基函数神经网络解析来袭物群每一种类来袭物的攻击性相关的元数据，并基于解析结果对来袭物群的各种来袭物执行聚类操作，从而完成对来袭物的基于攻击性的分类。成对来袭物的基于攻击性的分类。成对来袭物的基于攻击性的分类。


技术研发人员：沈增辉
受保护的技术使用者：北京中科智易科技有限公司
技术研发日：2021.12.02
技术公布日：2022/3/8