本申请属于可解释类深度神经网络评估,特别涉及一种基于深度学习的可解释类深度神经网络评估方法。
背景技术:
1、随着高新技术与装备的融合程度日益提高,航空航天技术呈现出越来越显著的智能、自主、无人、分布、协同特征,并正以前所未有的广度与深度影响着各个领域,空天形态和面貌正悄悄地发生着改变。
2、未来空天对抗环境中,装备将呈现智能化、隐身全频化等特征,对抗空间将朝着频域化、高远化等方向发展,对抗样式将随着蜂群、有人-无人、分布式、穿透制空等先进对抗概念的开发逐步实现体系劣势抵消并达到与对手技术势均的目的。虽然智能对抗领域的研究取得了诸多进展,但仍有很多技术难题需要攻克。自主、智能的对抗模型往往意味着它们需要神经网络作为支撑,但是由于神经网络的黑盒性,人们很难对神经网络模型进行评估。
3、因此,希望有一种技术方案来克服或至少减轻现有技术的至少一个上述缺陷。
技术实现思路
1、本申请的目的是提供了一种基于深度学习的可解释类深度神经网络评估方法,以解决现有技术存在的至少一个问题。
2、本申请的技术方案是:
3、一种基于深度学习的可解释类深度神经网络评估方法,包括:
4、步骤一、获取初始动作状态数据;
5、步骤二、通过生成式对抗网络对所述初始动作状态数据进行扩充,得到生成动作状态数据;
6、步骤三、通过所述初始动作状态数据以及所述生成动作状态数据对卷积神经网络模型进行分类训练;
7、步骤四、对所述卷积神经网络模型进行可靠性评估。
8、在本申请的至少一个实施例中,
9、所述生成式对抗网络的损失函数为:
10、ld=-∫p(x)[pdata(x)logd(x)+pg(x)log(1-d(x))]dx
11、可转换为:
12、
13、所述生成式对抗网络的最终函数解为:
14、
15、其中,d(x)为判别器输出结果,pdata(x)为输入的样本数据x为真实数据的概率,pg(x)为输入的样本数据x为生成器生成的假样本的概率,e表示期望值。
16、在本申请的至少一个实施例中,步骤三中,所述通过所述初始动作状态数据以及所述生成动作状态数据对卷积神经网络模型进行分类训练,包括:
17、s31、构建卷积神经网络模型;
18、s32、对所述卷积神经网络模型进行参数优化;
19、s33、通过所述初始动作状态数据以及所述生成动作状态数据对卷积神经网络模型进行分类训练。
20、在本申请的至少一个实施例中,s32中,所述卷积神经网络模型通过蚁群算法进行参数优化。
21、在本申请的至少一个实施例中,步骤四中,所述对所述卷积神经网络模型进行可靠性评估,包括:
22、将可解释类深度神经网络生成的动作状态数据输入到所述卷积神经网络模型中,判断是否符合要求;
23、若动作状态数据为n条,通过所述卷积神经网络模型识别出符合要求的动作状态数据为m条,则所述卷积神经网络模型的可靠性s为:
24、s=n/m。
25、发明至少存在以下有益技术效果:
26、本申请的基于深度学习的可解释类深度神经网络评估方法,收集原始神经网络的初始数据,通过生成式对抗网络完成对数据集的扩充,并将原始数据以及生成数据作为统一的数据集输入到卷积神经网络模型中,使得卷积神经网络具备分辨失败、成功数据的能力,通过卷积神经网络判别其数据在实际对抗体系下成功数据个数,该个数占总体数据的比例越大,可靠性越高,从而完成可解释类深度神经网络模型的评估。
1.一种基于深度学习的可解释类深度神经网络评估方法,其特征在于,包括:
2.根据权利要求1所述的基于深度学习的可解释类深度神经网络评估方法,其特征在于,
3.根据权利要求2所述的基于深度学习的可解释类深度神经网络评估方法,其特征在于,步骤三中,所述通过所述初始动作状态数据以及所述生成动作状态数据对卷积神经网络模型进行分类训练,包括:
4.根据权利要求3所述的基于深度学习的可解释类深度神经网络评估方法,其特征在于,s32中,所述卷积神经网络模型通过蚁群算法进行参数优化。
5.根据权利要求4所述的基于深度学习的可解释类深度神经网络评估方法,其特征在于,步骤四中,所述对所述卷积神经网络模型进行可靠性评估,包括: