[發明專利]一種基于深度學習的體系組合模型可信度智能評估方法有效
| 申請號： | 201911088404.X | 申請日： | 2019-11-08 |
| 公開（公告）號： | CN110889207B | 公開（公告）日： | 2023-08-22 |
| 發明（設計）人： | 李興國;廖詠一;李延超;羅德智;楊榮強;汪正東;王海星;彭芳 | 申請（專利權）人： | 江南機電設計研究所 |
| 主分類號： | G06F30/20 | 分類號： | G06F30/20;G06F111/10 |
| 代理公司： | 貴州派騰知識產權代理有限公司 52114 | 代理人： | 宋妍麗 |
| 地址： | 550009 貴州省貴*** | 國省代碼： | 貴州;52 |
| 權利要求書： | 查看更多 | 說明書： | 查看更多 |
| 摘要： | |||
| 搜索關鍵詞： | 一種 基于 深度 學習 體系 組合 模型 可信度 智能 評估 方法 | ||
1.一種基于深度學習的體系組合模型可信度智能評估方法，針對體系作戰背景下的雷達系統模型，給出在云仿真背景下，雷達系統模型基于深度學習方法的可信度評估流程，其特征在于：包括以下步驟：
①獲取參考學習樣本集：選取經過校驗的最高精度模型作為參考模型，獲取參考模型在不同輸入條件下的輸出，組成參考學習樣本集；
②獲取仿真學習樣本集：從云端選取不同顆粒度、不同應用場景的待檢驗模型，獲取待檢驗模型在不同輸入條件下的輸出，組成仿真學習樣本集；
③評估一致程度：將參考學習樣本集和仿真學習樣本集輸入深度學習模型，獲取特征矩陣，并通過相似性度量法，獲取參考學習樣本集和仿真學習樣本集的一致程度；
④評估不確定性影響程度：通過交叉損失函數和交叉熵，計算從第i個參考學習樣本表示向量到第j個仿真學習樣本表示向量，再正確返回到第i個參考學習樣本表示向量的關聯概率，評估仿真學習樣本集的不確定性對可信度評估的影響；
⑤評估噪聲影響程度：通過計算目標均勻分布和影響概率之間的交叉熵，評估仿真學習樣本的噪聲因素對可信度評估的影響；
⑥評估可信度：采用多目標優化算法實現待檢驗模型的可信度動態智能評估；
所述步驟②中，輸入條件與步驟①的輸入條件，在參數類型、個數上相同；
所述步驟⑥中，采用自適應優化方法動態調整仿真學習樣本集的不確定性和噪聲因素的權重，獲取仿真學習樣本集和參考學習樣本集一致性的最大值，評估待檢驗模型的可信度；
所述步驟①中，以經過校驗的信號級雷達系統模型為參考模型，給定m個不同的輸入條件，獲得包含m個學習樣本的參考學習樣本集，每個學習樣本包含p個輸出；
所述步驟②中，對從云端獲取的不同顆粒度的雷達系統模型，給定n個不同的輸入條件，獲得包含n個學習樣本的仿真學習樣本集。
2.如權利要求1所述的基于深度學習的體系組合模型可信度智能評估方法，其特征在于：所述步驟①中，輸入條件在體系作戰仿真需求約束范圍內。
3.如權利要求1所述的基于深度學習的體系組合模型可信度智能評估方法，其特征在于：所述步驟①中，輸出包括在輸入條件下，參考模型的過程數據、信息交互和最終結果。
該專利技術資料僅供研究查看技術是否侵權等信息，商用須獲得專利權人授權。該專利全部權利屬于江南機電設計研究所，未經江南機電設計研究所許可，擅自商用是侵權行為。如果您想購買此專利、獲得商業授權和技術合作，請聯系【客服】
本文鏈接：http://www.szxzyx.cn/pat/books/201911088404.X/1.html，轉載請聲明來源鉆瓜專利網。
