智能锁异常信息监控方法、装置、存储介质及智能锁与流程

本发明涉及智能锁，特别涉及一种智能锁异常信息监控方法、装置、存储介质及智能锁。

背景技术：

1、随着智能家居的快速发展，智能锁作为一种重要的智能设备，越来越多地被应用到日常生活中。传统的智能锁系统通常依赖于密码、指纹或刷卡等方式进行开锁，但是这些方法存在一定的安全风险，如密码被盗、指纹被仿造等。

2、然而，现有的智能锁系统在异常信息监控和处理方面仍存在一定的不足。例如，当智能锁被非法操作或尝试被强行破解时，现有系统的反应速度和准确度较低，容易导致安全隐患。因此，智能锁系统需要能够及时检测和响应异常操作，以提高智能锁的安全性和可靠性，以保障用户的安全。

技术实现思路

1、基于此，本发明的目的是提供一种智能锁异常信息监控方法、装置、存储介质及智能锁，以从根本上解决现有智能锁的安全性和可靠性不足的问题。

2、根据本发明实施例的一种智能锁异常信息监控方法，所述方法包括：

3、收集智能锁开锁时的各项使用数据，所述使用数据包括开锁方式、开锁时间、开锁频率和物理特征，所述物理特征包括施加的力和方向、以及开锁过程中的加速度和角速度；

4、对收集到的使用数据进行预处理，并从预处理后的数据中提取各类特征形成特征数据集，各类特征分别包括统计特征、时域特征、频域特征及行为特征；

5、构建神经网络模型，并使用预处理后的特征数据集对神经网络模型进行训练，使神经网络模型能够区分识别正常使用模式和异常使用模式；

6、将训练好的神经网络模型部署到智能锁中，并将智能锁实时收集的使用数据经过预处理和特征提取后的数据输入到神经网络模型中进行分析；

7、当神经网络模型检测到异常使用模式时，生成报警信息并采取预设的安全措施；

8、定期收集新的使用数据更新智能锁的特征数据集，并使用更新的特征数据集对神经网络模型进行再训练和优化，以提高异常检测的准确度和响应速度。

9、另外，根据本发明上述实施例的一种智能锁异常信息监控方法，还可以具有如下附加的技术特征：

10、进一步地，所述对收集到的使用数据进行预处理，并从预处理后的数据中提取各类特征形成特征数据集的步骤包括：

11、对收集到的使用数据进行数据清洗、数据去噪、及数据转换的预处理；

12、从预处理后的数据中提取各类特征；

13、将提取到的各类特征组合成特征向量，并将所有特征向量组合形成特征数据集；

14、对组合的特征向量进行标准化处理；

15、将标准化处理后的特征数据集存储在预定义的数据结构中，并进行持久化存储。

16、进一步地，所述从预处理后的数据中提取各类特征的步骤包括：

17、对预处理后的各项使用数据进行统计分析计算得到统计特征；

18、对预处理后的时间序列数据进行分析，提取时域特征；

19、对预处理后的各项使用数据进行频域转换，并从频域转换后的频域数据中提取频域特征；

20、利用机器学习模型或聚类分析方法对预处理后的各项使用数据进行模式识别提取行为特征。

21、进一步地，所述构建神经网络模型，并使用预处理后的特征数据集对神经网络模型进行训练的步骤包括：

22、将预处理后的特征数据集划分为训练集、验证集和测试集；

23、构建神经网络模型，并确定神经网络模型的结构和参数；

24、使用训练集对构建好的神经网络模型进行训练，并在训练过程中使用验证集监控神经网络模型的性能指标；

25、使用测试集评估训练好的神经网络模型的性能；

26、根据评估结果对神经网络模型进行调优。

27、进一步地，所述神经网络模型包括输入层、卷积层、循环层、池化层、特征展平层、合并层、注意力层及全连接层；

28、所述使用训练集对构建好的神经网络模型进行训练的步骤包括：

29、根据输入层接收并输入训练集中的统计特征、时域特征、频域特征及行为特征；

30、根据卷积层对输入层所输入的频域特征和统计特征进行卷积操作，生成特征图；

31、根据循环层对输入层所输入的时域特征和行为特征进行时间序列建模，生成时间序列特征；

32、根据池化层对卷积层生成的特征图进行池化操作，得到降维后的特征图；

33、根据特征展平层分别对池化层输出的特征图进行展平为一维向量及循环层输出的时间序列特征进行转换为一维向量，得到池化层输出特征向量与循环层输出特征向量；

34、根据合并层对展平后的池化层输出特征向量与循环层输出特征向量进行连接或堆叠，得到合并后的特征向量；

35、根据注意力层对合并后的特征向量进行加权，得到加权特征向量；

36、根据全连接层对加权后的加权特征向量进行映射，生成类别概率或回归值的最终的预测结果。

37、进一步地，所述使用测试集数据评估训练好的神经网络模型的性能的步骤包括：

38、将测试集数据输入训练好的神经网络模型，获取神经网络模型的预测结果；

39、根据预测结果计算评估指标，评估指标包括准确率、精确率、召回率、f1分数、及混淆矩阵；

40、根据评估指标进行评估结果分析，评估结果分析包括准确率分析、精确率和召回率分析、f1分数分析、混淆矩阵分析；

41、将各项评估指标进行汇总生成详细的评估报告。

42、进一步地，所述根据评估结果对神经网络模型进行调优的步骤包括：

43、收集神经网络模型在测试集上的评估指标，通过评估结果分析识别出问题；

44、基于评估结果确定调优目标以及选择对应的调优方法；

45、根据选择对应的调优方法修改神经网络模型中的神经网络结构、调整超参数、增加正则化；

46、根据调整后的神经网络模型使用验证集重新训练神经网络模型；

47、在测试集上评估调优后的神经网络模型，记录神经网络模型的评估指标，并根据评估指标进行迭代调优得到最终神经网络模型。

48、本发明另一实施例的目的还在于提供一种智能锁异常信息监控装置，所述装置包括：

49、数据收集模块，用于收集智能锁开锁时的各项使用数据，所述使用数据包括开锁方式、开锁时间、开锁频率和物理特征，所述物理特征包括施加的力和方向、以及开锁过程中的加速度和角速度；

50、数据处理模块，用于对收集到的使用数据进行预处理，并从预处理后的数据中提取各类特征形成特征数据集，各类特征分别包括统计特征、时域特征、频域特征及行为特征；

51、模型构建训练模块，用于构建神经网络模型，并使用预处理后的特征数据集对神经网络模型进行训练，使神经网络模型能够区分识别正常使用模式和异常使用模式；

52、数据分析模块，用于将训练好的神经网络模型部署到智能锁中，并将智能锁实时收集的使用数据经过预处理和特征提取后的数据输入到神经网络模型中进行分析；

53、报警处理模块，用于当神经网络模型检测到异常使用模式时，生成报警信息并采取预设的安全措施；

54、模型优化模块，用于定期收集新的使用数据更新智能锁的特征数据集，并使用更新的特征数据集对神经网络模型进行再训练和优化，以提高异常检测的准确度和响应速度。

55、本发明另一实施例的目的还在于提供一种存储介质，其存储有程序，所述程序被处理器执行时实现如上述所述的智能锁异常信息监控方法。

56、本发明另一实施例的目的还在于提供一种智能锁，包括存储器、处理器以及存储在存储器上并可在处理器上运行的程序，所述处理器执行所述程序时实现如上述所述的智能锁异常信息监控方法。

57、本发明实施例提供的智能锁异常信息监控方法，通过监控智能锁开锁时的各项使用数据，并利用神经网络模型进行异常检测，可以及时发现和应对异常使用模式，提高智能锁的安全性；通过采取预设的安全措施，进一步加强了智能锁的防护能力，保障了用户财产和安全；通过对智能锁实时收集的使用数据进行预处理和特征提取，构建了全面的特征数据集，有助于更准确地区分正常使用模式和异常使用模式；通过定期收集新的使用数据并更新特征数据集，并对神经网络模型进行再训练和优化，不断提高异常检测的准确度和响应速度，确保智能锁在各种情况下都能有效地发现异常行为；解决了现有智能锁的安全性和可靠性不足的问题。