本發明提供了一種基于深度學習的多源異構網絡接入方法，包括：獲取智能制造系統中多源異構設備的網絡接入需求，并基于網絡接入需求，向多源異構設備中的每個第一設備匹配接入信息；基于接入信息，確定每個第一設備的通訊時間點；基于通訊時間點以及每個第一設備的通訊標識，構建通訊列表，并基于馬爾科夫鏈對第一設備進行沖突控制；獲取每個第一設備的接入指標，并基于卷積神經網絡對接入指標進行分析，并按照分析結果，向第一設備匹配資源傳輸因子；基于沖突控制結果以及資源傳輸因子，實現對多源異構設備的網絡接入。可以避免競爭沖突，進而有效保證多源異構設備接入網絡的高效性，間接也保證了資源利用效率的高效性。

技術領域

本發明涉及神經網絡技術領域，特別涉及一種基于深度學習的多源異構網絡接入方法。

背景技術

多源異構簡單而言就是指一個整體由多個不同來源的成分而構成。

在智能制造系統中存在多條智能化制造線路，且每條智能化制造線路匹配的智能化設備是不一樣的，因此，在制造過程中，不同的設備需要按照指定的通訊時間去完成自身的功能操作，但是會出現通訊時間相同等的情況，導致存在通訊競爭沖突，進而導致入網方式不靈活以及資源利用效率低下的問題。

因此，本發明提出一種基于深度學習的多源異構網絡接入方法。

發明內容

本發明提供一種基于深度學習的多源異構網絡接入方法，用以通過對多源異構設備進行馬爾科夫鏈的沖突控制以及按照卷積神經網絡對接入指標進行分析，可以避免競爭沖突，進而有效保證多源異構設備接入網絡的高效性，間接也保證了資源利用效率的高效性。

本發明提供一種基于深度學習的多源異構網絡接入方法，包括：

步驟1：獲取智能制造系統中多源異構設備的網絡接入需求，并基于所述網絡接入需求，向所述多源異構設備中的每個第一設備匹配接入信息；

步驟2：基于所述接入信息，確定每個第一設備的通訊時間點；

步驟3：基于通訊時間點以及每個第一設備的通訊標識，構建通訊列表，并基于馬爾科夫鏈對所述第一設備進行沖突控制；

步驟4：獲取每個第一設備的接入指標，并基于卷積神經網絡對所述接入指標進行分析，并按照分析結果，向所述第一設備匹配資源傳輸因子；

步驟5：基于沖突控制結果以及資源傳輸因子，實現對多源異構設備的網絡接入。

優選的，獲取智能制造系統中多源異構設備的網絡接入需求之前，還包括：

確定所述智能制造系統中的智能化生產線；

向所述智能化生產線匹配生產設備，并根據所述生產設備獲取得到初始異構設備；

獲取所述初始異構設備中每個生產設備的歷史網絡連接情況，并將歷史網絡連接情況為空的設備剔除，得到多源異構設備。

優選的，獲取智能制造系統中多源異構設備的網絡接入需求，包括：

從歷史數據庫中，調取所述多源異構設備中每個第一設備的歷史網絡日志；

對所述歷史網絡日志進行預分析，確定對應第一設備的網絡連接參數，并構建對應的網絡曲線，同時，獲取所述第一設備的歷史工作日志，構建對應的工作曲線；

基于所述網絡曲線與工作曲線進行時間對比分析以及所述網絡曲線的谷點走向以及峰點走向，向對應第一設備配置網絡連接因子；

獲取所述智能制造系統的制造需求，并基于需求-網絡數據庫，匹配得到所述制造需求的網絡需求，并按照每個第一設備的設備網絡請求，向每個第一設備配置網絡需求因子；

基于每個第一設備的網絡需求因子-網絡連接因子，構建得到所述多源異構設備的網絡接入需求。