[发明专利]用于识别无人机型号的目标分类模型的评估方法

说明书

本发明涉及一种用于识别无人机型号的目标分类模型的评估方法，该方法基于灰色直觉模糊，对多个用于识别无人机型号的目标分类方法进行评估，从而选出最优模型。本方法在直觉模糊的基础上结合了点灰度，构造了灰色直觉模糊的分离度，给出了一种具有普适性的灰色直觉模糊评价模型，并且给出了一种基于此模型的目标分类网络模型评估方法。通过构建影响目标分类模型评估的层次分析结构；确定待评估的目标分类模型；计算灰色直觉模糊评价模型的权重向量；计算灰色直觉模糊评价模型的评价矩阵；计算第个候选方案相对贴近度等步骤从多个目标分类模型中选择出一个最优的目标分类模型。

技术领域

本发明涉及一种用于识别无人机型号的目标分类模型的评估方法，该评估方法基于灰色直觉模糊，对多个用于识别无人机型号的目标分类方法进行识别，属于计算机视觉技术领域。

背景技术

近些年来，计算机视觉的发展突飞猛进。典型的，在目标的分类方向取得了重大的进展，基于深度神经网络的目标分类网络在视频监控、自动驾驶和智能医疗等领域已经初步形成了应用体系。目标分类网络基于有限的样本数据集来进行训练，然后通过在测试数据集上进行测试来判断模型的效果。在机器学习中，通常在评估多个候选模型后选择最终的模型，这个过程叫做模型选择。

通常情况下，简单的比较测试结果并不能有效的反应模型在实际应用中的泛化能力。一方面，具有更多维数和小数据的问题会导致过拟合；另一方面，实际项目中数据集通常被随机划分为训练集和测试集，模型也相应地在这个数据集上被训练和评估，那么会导致测试集和训练集具有一样的数据分布，因为它们都是从具有相似场景内容和成像条件的数据中采样得到的，但是在实际应用中，测试图像或许会来自不同于训练时的数据分布。

在进行模型评估的过程中，一方面对获取的图像信息自身来说，由于信息具备动态性和多样性，导致信息中包含概念不清晰的成分，我们称此类性质为模糊性；另一方面，由于测试数据自身的局限性，导致可提供的信息量不足，评判依据不充分，产生了灰性。

基于灰色理论的灰色模型和直觉模糊集适合于描述和分析不确定性和模糊性的问题。由于直觉模糊集同时考虑了隶属度和非隶属度两方面的信息，因此在处理信息的能力比模糊集要强，对不确定性的描述有更强的实用性；而灰色系统理论着重研究解决小样本、贫信息这种不确定性问题。

发明内容

鉴于上述原因，本发明的目的在于提供一种用于识别无人机型号的目标分类模型的评估方法，该方法基于灰色直觉模糊，对多个用于识别无人机型号的目标分类方法进行评估，从而选出最优模型。该方法在直觉模糊的基础上，结合了点灰度，给出了一种具有普适性的灰色直觉模糊评估模型，并且给出了一种基于此模型的目标分类网络模型评估方法。

为实现上述目的，本发明采用以下技术方案：

用于识别无人机型号的目标分类模型的评估方法，其特征在于，所述评估方法基于灰色直觉模糊，具体包括以下步骤：

步骤一，构建影响目标分类模型评估的层次分析结构。

所述层次分析结构包括指标层和因素层，影响模型最终评估的因素集为。

所述指标层包括分类准确度和模型推理速度，因素集包括各分类模型对不同分类类别的分类准确度和各模型推理时间。

步骤二，确定待评估的目标分类模型，各分类模型构成方案集；

步骤三，计算灰色直觉模糊评估模型的权重向量：

（1）

其中，表示第个评估因素的权重，表示的点灰度，采用层次分析法来确定的权值部分；

步骤四，计算灰色直觉模糊评估模型的评价矩阵

（2）

灰色直觉模糊评价矩阵定义在空间中，代表因素集，代表方案集，其中代表直觉模糊数，代表点灰度，评价矩阵由灰色直觉模糊数构成；