【技术实现步骤摘要】
本专利技术涉及模型识别评价管理，具体为一种基于人工智能的模型识别评价管理系统及方法。
技术介绍
1、近年来，随着人工智能技术的不断发展，模型识别在各个领域得到了广泛的应用。模型识别技术通常采用机器学习、深度学习等技术，通过构建的模型对输入数据进行信息识别，但是，在模型识别过程中，会生成多种识别方案，识别方案的选取及识别结果准确性的评估需要用到模型识别评价管理系统。
2、现有的基于人工智能的模型识别评价管理系统，通常是一个数据识别模型对应一种数据输入类型，且在数据识别模型在针对输入数据进行信息识别的过程中，往往只考虑当前执行的输入数据的信息内容，而不考虑相同模型针对其余输入数据的识别结果或其余数据识别模型针对其余输入数据的识别结果，进而最终得到的数据识别结果往往具有片面性，且数据识别结果的精度偏差较大，进而现有技术存在较大的缺陷。
技术实现思路
1、本专利技术的目的在于提供一种基于人工智能的模型识别评价管理系统及方法，以解决上述
技术介绍
中提出的问题。
2、为了解决上述技术问题，本专利技术提供如下技术方案：一种基于人工智能的模型识别评价管理方法，所述方法包括以下步骤：
3、s1、获取数据库中构建的数据识别模型集，得到所得数据识别模型集中各个子识别模型对应的待识别数据类型；
4、s2、获取待识别的任务数据流及待识别的任务数据流中每个子任务数据的数据来源特征，分析各个子任务数据的来源关联特征，构建每个子任务数据对应的关联任务集；
6、s4、获取每个子任务数据对应的关联任务集中每个元素对应的识别方案集，结合相应子任务数据对应的识别方案集中每个元素对应的识别方案，生成相应子任务数据对应的识别方案集中每个元素对应的关联参照影响系数；
7、s5、根据待识别的任务数据流中每个子任务数据对应识别方案中每个元素对应的关联参照影响系数及相应元素对应的识别指标信息集，得到待识别的任务数据流中每个子任务数据对应识别方案中每个元素对应的综合评估值，并按照对应综合评估值从大到小的顺序对待识别的任务数据流中每个子任务数据对应的识别方案进行排序，生成相应子任务数据的模型识别综合评价序列，并反馈给管理员，所述相应子任务数据的模型识别综合评价序列中第一个元素为相应子任务数据的识别方案最佳推荐结果。
8、进一步的，所述待识别数据类型包括图像类型及语音类型；
9、所述s2中待识别的任务数据流中每个子任务数据的数据来源特征包括数据类型、数据采集端口及数据采集时间，
10、所述数据采集时间为相应子任务数据对应的开始采集的时间点。
11、进一步的，所述s2中构建每个子任务数据对应的关联任务集的方法包括以下步骤：
12、s21、获取待识别的任务数据流中每个子任务数据的数据来源特征，将第i个子任务数据的数据来源特征记为tzi；
13、s22、获取待识别的任务数据流中除第i个子任务数据之外的剩余子任务数据分别对应的数据来源特征，并在所得的各个数据来源特征中任选一个数据来源特征记为tzq；
14、s23、若tzq中的数据采集端口对应的数据采集载体设备与tzi中的数据采集端口对应的数据采集载体设备相同，且tzq中的数据采集时间与tzi中的数据采集时间之间差值的绝对值小于等于预设值，则判定tzq与tzi存在关联关系，tzq对应的子任务数据为tzi对应子任务数据相应的关联任务集中的一个元素；
15、反之，则判定tzq与tzi不存在关联关系，tzq对应的子任务数据不属于tzi对应子任务数据相应的关联任务集；
16、每个数据采集载体设备包括多个数据采集端口，每个数据采集端口含有一个数据采集传感器，每个传感器对应一种采集的数据类型。
17、本专利技术考虑到待识别的任务流中各个子任务数据的来源情况，来源相同的子任务数据之间可能存在关联情况，而现有的识别模型在对子任务数据进行识别的过程中，通常只考虑到单个子任务数据的信息，未考虑到存在关联关系的其余子任务数据的识别结果，进而识别结果较为片面，而本专利技术考虑到子任务数据之间的关联关系，并通过存在关联关系的紫玉子任务数据识别结果辅助筛选相应子任务数据的识别结果，提高数据识别模型对子任务识别结果的准确性。
18、进一步的，所述s3中生成相应子任务数据对应的识别方案集时，得到的每个识别方案包括一种识别结果及一个识别指标信息集；
19、所述识别结果为相应子任务被相应的数据识别模型识别后得到的文字信息，每个识别结果对应一种含义不同的文字信息；
20、所述识别指标信息集包括时间效率time、置信度及鲁棒性；
21、同一子任务数据被相应的数据识别模型识别后得到的不同识别结果分别对应的识别指标信息集不同，每个识别结果对应一个识别指标信息集。
22、本专利技术中时间效率表示模型响应效率，基于服务请求时间和评分矩阵获取的效率值，服务请求时间指的是评测引擎发送请求到返回结果的时间差；置信度主要用于在一定允许的误差范围内模型算法的预测结果与真实结果相应的概率；鲁棒性主要用于检验模型在面对输入数据的微小变动时，是否依然能保持识别的准确性，也即模型面对一定输入变化时的表现是否稳定。鲁棒性的高低直接决定了模型的泛化能力，鲁棒性越高，模型越稳定，抗干扰能力越强；
23、同时，本专利技术在通过数据识别模型对子任务数据进行识别的过程中，采用人工智能技术生成针对同一子任务数据的各个识别方案，所述数据数据识别模型是通过机器语言及神经网络技术构建的。
24、进一步的，所述s4中生成相应子任务数据对应的识别方案集中每个元素对应的关联参照影响系数时，
25、当相应子任务数据对应的关联任务集为空集时，则判定相应子任务数据对应的识别方案集中每个元素对应的关联参照影响系数均为预设的常数；
26、当相应子任务数据对应的关联任务集不为空集时，则将相应子任务数据对应的识别方案集中第k个元素对应的关联参照影响系数记为ck，
27、，
28、其中，gs表示相应子任务数据对应的关联任务集中的元素个数；
29、gsh表示相应子任务数据对应的关联任务集中第h个元素对应的识别方案集内的元素个数；
30、count{}表示求集合中元素个数的运算；
31、dxck（h，d）表示相应子任务数据对应的关联任务集中第h个元素对应的识别方案集内第d个元素对应识别方案相应识别结果的关键词识别集合，
32、xck表示相应子任务数据对应的识别方案集中第k个元素对应识别结果的关键词识别集合；
3本文档来自技高网...
【技术保护点】
1.一种基于人工智能的模型识别评价管理方法，其特征在于，所述方法包括以下步骤：
2.根据权利要求1所述的一种基于人工智能的模型识别评价管理方法，其特征在于：所述待识别数据类型包括图像类型及语音类型；
3.根据权利要求2所述的一种基于人工智能的模型识别评价管理方法，其特征在于：所述S2中构建每个子任务数据对应的关联任务集的方法包括以下步骤：
4.根据权利要求1所述的一种基于人工智能的模型识别评价管理方法，其特征在于：所述S3中生成相应子任务数据对应的识别方案集时，得到的每个识别方案包括一种识别结果及一个识别指标信息集；
5.根据权利要求4所述的一种基于人工智能的模型识别评价管理方法，其特征在于：所述S4中生成相应子任务数据对应的识别方案集中每个元素对应的关联参照影响系数时，
6.根据权利要求5所述的一种基于人工智能的模型识别评价管理方法，其特征在于：所述S5中待识别的任务数据流中每个子任务数据对应识别方案中每个元素对应的综合评估值时，将待识别的任务数据流中第i个子任务数据对应识别方案中第k个元素对应的综合评估值，记为Pik
7.一种基于人工智能的模型识别评价管理系统，所述系统应用权利要求1-6中任意一项所述的一种基于人工智能的模型识别评价管理方法实现，其特征在于，所述系统包括以下模块：
8.根据权利要求7所述的一种基于人工智能的模型识别评价管理系统，其特征在于：所述模型识别评价管理模块包括综合评估单元及评价序列生成反馈单元，
...【技术特征摘要】
1.一种基于人工智能的模型识别评价管理方法，其特征在于，所述方法包括以下步骤：
2.根据权利要求1所述的一种基于人工智能的模型识别评价管理方法，其特征在于：所述待识别数据类型包括图像类型及语音类型；
3.根据权利要求2所述的一种基于人工智能的模型识别评价管理方法，其特征在于：所述s2中构建每个子任务数据对应的关联任务集的方法包括以下步骤：
4.根据权利要求1所述的一种基于人工智能的模型识别评价管理方法，其特征在于：所述s3中生成相应子任务数据对应的识别方案集时，得到的每个识别方案包括一种识别结果及一个识别指标信息集；
5.根据权利要求4所述的一种基于人工智能的模型识别评价管理方法，其特征在于：所述s4中生成相...
【专利技术属性】
技术研发人员：沈金灵，强润皓，
申请(专利权)人：南京基石数据技术有限责任公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。