1.一種云組態(tài)平臺(tái)的模型匹配處理方法，其特征在于：包括下列步驟，

S1將現(xiàn)實(shí)設(shè)備的特征信息轉(zhuǎn)換為中心處理模塊可識(shí)別信息；

S2建立深度模型匹配神經(jīng)網(wǎng)絡(luò)，通過(guò)現(xiàn)實(shí)設(shè)備的特征變量對(duì)實(shí)例模型進(jìn)行匹配，得出若干匹配模型；

S3對(duì)若干匹配模型進(jìn)行匹配度評(píng)價(jià)，最終由用戶從若干匹配模型中選擇模型；

S4基于用戶的模型選擇對(duì)深度神經(jīng)網(wǎng)絡(luò)進(jìn)行進(jìn)化訓(xùn)練，獲得更適合用戶的組態(tài)模型；

所述S2中，建立一個(gè)深度模型匹配神經(jīng)網(wǎng)絡(luò)，包括第一輸入層，第二輸入層，三個(gè)隱含層，第一輸出層及第二輸出層；其中，第一輸出層輸出做為第二輸入層的輸入；

所述S2中，第一輸入層，維度為N，樣本個(gè)數(shù)為M，其中一個(gè)樣本的輸入為CH＝[ch₁,ch₂,...,ch_N]^T，其對(duì)應(yīng)的樣本輸出為GM＝[gm₁,gm₂,...,gm_K]^T，K表示匹配組態(tài)模型的數(shù)量，用戶根據(jù)實(shí)際情況確定組態(tài)模型匹配數(shù)量；f_1m為第一隱含層神經(jīng)元傳遞函數(shù)，f_2q為第二隱含層神經(jīng)元的傳遞函數(shù)；

第一輸入層有N個(gè)神經(jīng)元，為現(xiàn)實(shí)設(shè)備轉(zhuǎn)換后的特征信息，第一隱含層與第一輸入層全連接，層內(nèi)無(wú)連接，第一隱含層神經(jīng)元個(gè)數(shù)與樣本個(gè)數(shù)相等，即等于M，第一隱含層神經(jīng)元激活函數(shù)為：

第一隱含層的輸出為輸入變量與其對(duì)應(yīng)的樣本CH之間Euclid距離平方的指數(shù)平方的指數(shù)形式；式中，CH為輸入變量，CH_m為第m個(gè)神經(jīng)元對(duì)應(yīng)的學(xué)習(xí)樣本；

第二隱含層中有兩類神經(jīng)元，第一類神經(jīng)元為第一隱含層每個(gè)神經(jīng)元的輸出和，其與各神經(jīng)元的連接權(quán)值為1；第二類神經(jīng)元為第一隱含層每個(gè)神經(jīng)元輸出的加權(quán)和；

一類的計(jì)算公式為

它對(duì)所有第一隱含層神經(jīng)元的輸出進(jìn)行算術(shù)求和，傳遞函數(shù)為：

另一類計(jì)算公式為

它對(duì)所有第一隱含層的輸出進(jìn)行加權(quán)求和，第一隱含層中第m個(gè)神經(jīng)元與第二隱含層第q個(gè)分子求和，神經(jīng)元之間的連接權(quán)值為ω_mq，傳遞函數(shù)為

第一輸出層中的神經(jīng)元數(shù)目等于學(xué)習(xí)樣本中輸出向量的維數(shù)q，輸出結(jié)果是第二隱含層的第二個(gè)節(jié)點(diǎn)除以第一個(gè)節(jié)點(diǎn)，即：

則第一輸出層獲得的輸出為第一輸出層的輸出為第二輸入層的輸入，包含Q個(gè)神經(jīng)元，將第一輸入層輸入的特征信息進(jìn)行歸一化處理后，引入第三隱含層，參與激活函數(shù)，包含有N個(gè)神經(jīng)元；為了防止引入狀態(tài)影響網(wǎng)絡(luò)波動(dòng)，設(shè)置第四隱含層，包含P個(gè)神經(jīng)元；第二輸入層、第三隱含層、第四隱含層、第二輸出層之前的權(quán)值分別為ω_qn、ω_np、ω_pk，其中，1≤q≤Q,1≤n≤N,1≤p≤P,1≤k≤K；

將第一輸入層的輸入進(jìn)行歸一化處理，則有ch_min表示數(shù)據(jù)中的最小值，ch_max表示數(shù)據(jù)中的最大值；進(jìn)過(guò)歸一化處理的信息轉(zhuǎn)換為CH′＝[ch′₁,ch′₂,...,ch′_N]；

當(dāng)?shù)诙斎雽虞斎霝閛ut_q時(shí)，結(jié)合第一輸入層歸一化處理信息計(jì)算，第三隱含層的輸出為第四隱含層的輸出為其中第三隱含層的激活函數(shù)為第四隱含層的激活函數(shù)為第二輸出層的輸出為

獲得輸出組態(tài)模型信息為GM′＝[gm′₁,gm′₂,...,gm′_K]，測(cè)試神經(jīng)網(wǎng)絡(luò)的訓(xùn)練效果時(shí)，根據(jù)實(shí)際需要設(shè)置閾值ε，通過(guò)與樣本輸出GM＝[gm₁,gm₂,...,gm_K]進(jìn)行均方誤差計(jì)算：

若滿足MSE(GM,GM′)ε，則認(rèn)為滿足實(shí)際需求，訓(xùn)練完畢，否則循環(huán)執(zhí)行直至滿足需求；

所述S2中，深度模型匹配神經(jīng)網(wǎng)絡(luò)訓(xùn)練完成后，則進(jìn)行對(duì)所需模型的匹配，將轉(zhuǎn)化后的現(xiàn)實(shí)設(shè)備數(shù)據(jù)信息輸入神經(jīng)網(wǎng)絡(luò)，輸出即為匹配的組態(tài)模型的相應(yīng)編碼。