深度识别决策网络评测系统研究
发布时间：2020-12-10 19:15
智能识别决策装备在军事和民用领域都具有广泛且重要的应用,因此其可靠性和安全性尤为重要,在投入生产前需要对识别和决策两个关键系统进行严格的测试。当前,不同智能识别系统具有特异性,缺乏统一的技术规范,识别算法性能趋于饱和,特别是在应用层面,识别准确率已不足以作为单一指标对不同识别系统进行评价。对于智能决策系统,需要全面评估预期结果与实际结果之间的差别,从而判断决策是否满足要求。为此,本文研究并实现了一个深度识别决策网络评测系统,旨在建立统一的技术规范和标准的评价体系及方法,对智能识别决策系统进行全面评估,进而提高其可信性、可靠性和安全性。针对深度识别决策网络评测系统的需求,对系统进行了功能架构以及技术架构的总体方案设计,并对其中涉及的核心方法研究进行分析。本系统采用浏览器-服务器架构,方便用户通过浏览器触达,主要任务对象为深度识别网络和智能决策网络,对应智能装备识别和决策两个具体步骤提供算法测试和数据评估两大功能。提出基于数据模型分布的测试用例生成方法研究、大规模集成测试样本库的构建、基准算法库的建立以及综合评价体系的构建及基于三性分析的数据评估方法研究。针对数据量大、网络特异性大、缺乏技...
【文章来源】：哈尔滨工业大学黑龙江省 211工程院校 985工程院校
【文章页数】：77 页
【学位级别】：硕士
【部分图文】：
混淆矩阵
哈尔滨工业大学工程硕士学位论文-4-对于多分类任务，类别1的召回率为：_class1aRabc=++(1-5)特异度又称特异性、真阴性率等，即正确预测为负的样本占全部实际为负的比例，即TNSTNFP=+(1-6)F1值为算数平均数与几何平均数之比，越大越好。1211FPR=+(1-7)ROC曲线是反映敏感度和特异度连续变量的综合指标，其横坐标为FPR(falsepositiverate)，纵坐标为TPR(truepositiverate)，如图1-2所示。绘制ROC曲线有助于分析阈值对识别网络泛化性能影响，从而找到最佳的阈值，最靠近左上角的点是分类错误最少的最好阈值，其敏感度与特异度都较高，假正例和假反例总数最少。此外，将各个识别网路的ROC曲线绘制到同一坐标中，可直接比较其性能，靠近左上角的网络准确性最高。AUC（AreaUnderROCCurve）面积为ROC曲线下的面积，表示预测的正例排在负例前面的概率。AUC值越大的分类器，正确率越高。FPFPRTNFP=+(1-8)TPTPRFNTP=+(1-9)当识别一张图片，认为概率最大的识别结果为正确答案时，Top-1错误率表示正确标记不是模型输出的最佳标记的样本数与总样本数之比。当一张图片经过网络，得到预测类别的概率，如果概率较大的前五个类别中包含正确答案认为正确，Top-5错误率表示正确标记不在模型输出的前5个最佳标记中的样本数与总样本数之比。图1-2ROC曲线示意图
优势明显。2004年，David[8]对SIFT算法进行全面总结，提出了尺度不变特征方法，解决了局部特征提取时由于特征过多造成的数据冗余问题，优化了识别效果。随着计算机硬件的发展和大数据时代的来临，深度学习逐渐以其自主进行特征学习、提取更高层次特征、获得更好识别分类效果等优势取代传统识别算法。1998年，LeCunY等[9]提出了第一个卷积神经网络LeNet-5，如图1-3所示，标志着卷积神经网络在人工智能领域的出现。LeNet-5设计了卷积层、池化层和全连接层等深度学习的基本模块，在MNIST数据集上获得了99.2%的识别率。图1-3LeNet-5网络结构[9]
【参考文献】：
期刊论文
[1]基于微分博弈的供应链合作减排和政府补贴策略[J]. 王道平,王婷婷,张博卿. 控制与决策. 2019(08)
[2]基于微分博弈的区域经济合作行为分析[J]. 曾冰. 经济数学. 2019(01)
[3]基于动态微分博弈理论的工程应急决策研究[J]. 王长峰,庄文英. 中国管理科学. 2017(10)
[4]基于微分博弈的军民融合协同创新体系技术共享行为研究[J]. 赵黎明,孙健慧,张海波. 管理工程学报. 2017(03)
[5]基于多阶段攻防信号博弈的最优主动防御[J]. 张恒巍,李涛. 电子学报. 2017(02)
[6]基于混合模糊多人多目标非合作博弈的车道选择模型[J]. 王晓原,张敬磊,刘振雪,尹超. 自动化学报. 2017(11)
[7]基于非合作动态博弈的网络安全主动防御技术研究[J]. 林旺群,王慧,刘家红,邓镭,李爱平,吴泉源,贾焰. 计算机研究与发展. 2011(02)
[8]基于攻防博弈模型的网络安全测评和最优主动防御[J]. 姜伟,方滨兴,田志宏,张宏莉. 计算机学报. 2009(04)
[9]图像纹理特征提取方法综述[J]. 刘丽,匡纲要. 中国图象图形学报. 2009(04)
本文编号：2909235
【文章来源】：哈尔滨工业大学黑龙江省 211工程院校 985工程院校
【文章页数】：77 页
【学位级别】：硕士
【部分图文】：
混淆矩阵
哈尔滨工业大学工程硕士学位论文-4-对于多分类任务，类别1的召回率为：_class1aRabc=++(1-5)特异度又称特异性、真阴性率等，即正确预测为负的样本占全部实际为负的比例，即TNSTNFP=+(1-6)F1值为算数平均数与几何平均数之比，越大越好。1211FPR=+(1-7)ROC曲线是反映敏感度和特异度连续变量的综合指标，其横坐标为FPR(falsepositiverate)，纵坐标为TPR(truepositiverate)，如图1-2所示。绘制ROC曲线有助于分析阈值对识别网络泛化性能影响，从而找到最佳的阈值，最靠近左上角的点是分类错误最少的最好阈值，其敏感度与特异度都较高，假正例和假反例总数最少。此外，将各个识别网路的ROC曲线绘制到同一坐标中，可直接比较其性能，靠近左上角的网络准确性最高。AUC（AreaUnderROCCurve）面积为ROC曲线下的面积，表示预测的正例排在负例前面的概率。AUC值越大的分类器，正确率越高。FPFPRTNFP=+(1-8)TPTPRFNTP=+(1-9)当识别一张图片，认为概率最大的识别结果为正确答案时，Top-1错误率表示正确标记不是模型输出的最佳标记的样本数与总样本数之比。当一张图片经过网络，得到预测类别的概率，如果概率较大的前五个类别中包含正确答案认为正确，Top-5错误率表示正确标记不在模型输出的前5个最佳标记中的样本数与总样本数之比。图1-2ROC曲线示意图
优势明显。2004年，David[8]对SIFT算法进行全面总结，提出了尺度不变特征方法，解决了局部特征提取时由于特征过多造成的数据冗余问题，优化了识别效果。随着计算机硬件的发展和大数据时代的来临，深度学习逐渐以其自主进行特征学习、提取更高层次特征、获得更好识别分类效果等优势取代传统识别算法。1998年，LeCunY等[9]提出了第一个卷积神经网络LeNet-5，如图1-3所示，标志着卷积神经网络在人工智能领域的出现。LeNet-5设计了卷积层、池化层和全连接层等深度学习的基本模块，在MNIST数据集上获得了99.2%的识别率。图1-3LeNet-5网络结构[9]
【参考文献】：
期刊论文
[1]基于微分博弈的供应链合作减排和政府补贴策略[J]. 王道平,王婷婷,张博卿. 控制与决策. 2019(08)
[2]基于微分博弈的区域经济合作行为分析[J]. 曾冰. 经济数学. 2019(01)
[3]基于动态微分博弈理论的工程应急决策研究[J]. 王长峰,庄文英. 中国管理科学. 2017(10)
[4]基于微分博弈的军民融合协同创新体系技术共享行为研究[J]. 赵黎明,孙健慧,张海波. 管理工程学报. 2017(03)
[5]基于多阶段攻防信号博弈的最优主动防御[J]. 张恒巍,李涛. 电子学报. 2017(02)
[6]基于混合模糊多人多目标非合作博弈的车道选择模型[J]. 王晓原,张敬磊,刘振雪,尹超. 自动化学报. 2017(11)
[7]基于非合作动态博弈的网络安全主动防御技术研究[J]. 林旺群,王慧,刘家红,邓镭,李爱平,吴泉源,贾焰. 计算机研究与发展. 2011(02)
[8]基于攻防博弈模型的网络安全测评和最优主动防御[J]. 姜伟,方滨兴,田志宏,张宏莉. 计算机学报. 2009(04)
[9]图像纹理特征提取方法综述[J]. 刘丽,匡纲要. 中国图象图形学报. 2009(04)
本文编号：2909235
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/2909235.html
