一种稀疏关键度预测模型训练方法、预测系统和方法技术方案

一种稀疏关键度预测模型训练方法、预测系统和方法，所述训练方法包括：获取智能系统安全关键事件发生时的正样本集P和不发生时的负样本集N，根据P和N进行第一阶段无监督奖励模型训练，排除N中简单负样本，保留假性正样本；基于正样本集P和假性正样本构建正样本集P<subgt;2</subgt;和负样本集N<subgt;2</subgt;，进行第二阶段基于改进双支网络的有监督分类模型的训练，获得难例分类模型；获取关键数据作为第三阶段训练数据，对难例分类模型进行提高分类准确度的基于密集强化学习方法的第三阶段微调，获得稀疏关键度预测模型，能有效解决安全关键事件环境变量的稀疏度灾难，解决了极度不平衡数据集的学习问题，获得了高精度的智能系统安全关键事件概率预测模型。

【技术实现步骤摘要】

本文涉及智能系统稀疏安全风险评估领域，尤指一种稀疏关键度预测模型训练方法、预测系统和方法。

技术介绍

1、目前，智能系统在日常的生产和生活中应用逐渐广泛，在各种智能系统极大的改变了生产和生活方式的同时，也带来了各种各样的事故，引发了人们对智能系统安全性的关注，准确预测智能系统发生安全关键事件的概率对于识别智能系统的安全风险意义重大，能够保障生命财产安全，还能进一步促进智能系统的规模化应用和商业化落地。现在关于发生安全关键事件的概率预测方法主要有两种，一种是基于指标的方法，由于智能系统的动力学复杂性，难以设计适合于智能系统的指标，而且现有的基于指标的方法预测精度较低；另一种是基于模型的方法，但其难以解决样本的稀疏度灾难问题，造成该方法在极端不平衡数据集上的高精度模型训练面临很多困难，使得基于模型的方法难以落地应用。

技术实现思路

1、本申请提供了一种稀疏关键度预测模型训练方法、预测系统和方法，能有效解决智能系统安全关键事件的环境变量稀疏度灾难，解决了极度不平衡数据集难以学习的问题，获得了高精度的智能系统安全关键本文档来自技高网...

【技术保护点】

1.一种稀疏关键度预测模型训练方法，其特征在于，包括：

2.如权利要求1所述的稀疏关键度预测模型训练方法，其特征在于：

3.如权利要求1所述的稀疏关键度预测模型训练方法，其特征在于，所述以P和N作为输入数据，进行第一阶段基于排序损失的无监督奖励模型的训练，并进行数据筛选，排除N中的简单负样本，保留假性正样本，包括：

4.如权利要求3所述的稀疏关键度预测模型训练方法，其特征在于，所述计算所述训练数据集的稀疏度，包括：

5.如权利要求1所述的稀疏关键度预测模型训练方法，其特征在于，所述以P2和N2作为输入数据，进行第二阶段基于改进双支网络的有监...

【技术特征摘要】

1.一种稀疏关键度预测模型训练方法，其特征在于，包括：

2.如权利要求1所述的稀疏关键度预测模型训练方法，其特征在于：

3.如权利要求1所述的稀疏关键度预测模型训练方法，其特征在于，所述以p和n作为输入数据，进行第一阶段基于排序损失的无监督奖励模型的训练，并进行数据筛选，排除n中的简单负样本，保留假性正样本，包括：

4.如权利要求3所述的稀疏关键度预测模型训练方法，其特征在于，所述计算所述训练数据集的稀疏度，包括：

5.如权利要求1所述的稀疏关键度预测模型训练方法，其特征在于，所述以p2和n2作为输入数据，进行第二阶段基于改进双支网络的有监督分类模型的训练，获得第二阶段训练好的难例分类模型，包括：

6.如权利要求5所述的稀疏关键度预测模型训练方法，其特征在于，所述基于所述双支网络，...

【专利技术属性】
技术研发人员：封硕，白若瑄，张毅，杨敬轩，陆秋婧，
申请(专利权)人：清华大学，
类型：发明
国别省市：