CN115174417A - 联合训练方案的评估方法及装置 - Google Patents

联合训练方案的评估方法及装置 Download PDF

Info

Publication number
CN115174417A
CN115174417A CN202210907964.9A CN202210907964A CN115174417A CN 115174417 A CN115174417 A CN 115174417A CN 202210907964 A CN202210907964 A CN 202210907964A CN 115174417 A CN115174417 A CN 115174417A
Authority
CN
China
Prior art keywords
joint training
target
decision matrix
acquiring
weights
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202210907964.9A
Other languages
English (en)
Other versions
CN115174417B (zh
Inventor
谭启昀
高小伟
吴合风
姜世浩
张阔
赵慧童
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guo Dawei
Original Assignee
Beijing Yuhang Intelligent Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Yuhang Intelligent Technology Co ltd filed Critical Beijing Yuhang Intelligent Technology Co ltd
Priority to CN202210907964.9A priority Critical patent/CN115174417B/zh
Publication of CN115174417A publication Critical patent/CN115174417A/zh
Application granted granted Critical
Publication of CN115174417B publication Critical patent/CN115174417B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/14—Network analysis or design
    • H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Algebra (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Electrically Operated Instructional Devices (AREA)

Abstract

本公开涉及计算机技术领域，提供了一种联合训练方案的评估方法及装置。该联合训练方案的评估方法包括：获取用于评估备选联合训练方案的特征因素的成对比较矩阵以及特征因素的标准权重；使用层次分析法根据标准权重和不同备选联合训练方案的判断矩阵获取不同备选联合训练方案的第一目标权重；使用逼近理想解排序法根据加权决策矩阵获取不同备选联合训练方案的第二目标权重；根据第一目标权重和第二目标权重选取目标联合训练方案。

Description

联合训练方案的评估方法及装置
技术领域
本公开涉及计算机技术领域，尤其涉及一种联合训练方案的评估方法及装置。
背景技术
在相关技术中，通信***可能在功率分配、资源分配、信道容量和适应性等方面存在各种传输缺陷，这些传输缺陷可以通过联合训练方案克服，以提高通信***的吞吐量，优化通信***的延迟性能。
在根据用户的需求选择不同的联合训练方案时，可以从现有文献中提取不同的特征对联合训练方案进行综合评估。但是当前并没有***的方法可以利用这些特征对联合训练方案进行评估，也就无法选取较优的联合训练方案。
可见，如何选取较优的联合训练方案是当前亟需解决的技术问题。
发明内容
有鉴于此，本公开实施例提供了一种联合训练方案的评估方法、装置、电子设备及计算机可读存储介质，以解决现有技术中无法选取较优联合训练方案的问题。
本公开实施例的第一方面，提供了一种联合训练方案的评估方法，该方法包括：
获取用于评估备选联合训练方案的特征因素的成对比较矩阵以及所述特征因素的标准权重；使用层次分析法根据所述标准权重和不同备选联合训练方案的判断矩阵获取所述不同备选联合训练方案的第一目标权重；使用逼近理想解排序法根据加权决策矩阵获取所述不同备选联合训练方案的第二目标权重，其中，所述加权决策矩阵为基于所述标准权重创建的不同备选联合训练方案关于每一个特征因素的加权决策矩阵；根据所述第一目标权重和所述第二目标权重选取目标联合训练方案。
本公开实施例的第二方面，提供了一种联合训练方案的评估装置，该装置包括：
标准权重获取模块，用于获取用于评估备选联合训练方案的特征因素的成对比较矩阵以及所述特征因素的标准权重；第一目标权重获取模块，用于使用层次分析法根据所述标准权重和不同备选联合训练方案的判断矩阵获取所述不同备选联合训练方案的第一目标权重；第二目标权重获取模块，用于使用逼近理想解排序法根据加权决策矩阵获取所述不同备选联合训练方案的第二目标权重，其中，所述加权决策矩阵为基于所述标准权重创建的不同备选联合训练方案关于每一个特征因素的加权决策矩阵；选取模块，用于根据所述第一目标权重和所述第二目标权重选取目标联合训练方案。
本公开实施例的第三方面，提供了一种电子设备，包括存储器、处理器以及存储在存储器中并且可在处理器上运行的计算机程序，该处理器执行计算机程序时实现上述方法的步骤。
本公开实施例的第四方面，提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机程序，该计算机程序被处理器执行时实现上述方法的步骤。
本公开实施例与现有技术相比存在的有益效果是：基于层次分析法和成对比较矩阵获取特征因素的标准权重和第一目标权重，再使用逼近理性解排序法基于特征因素的标准权重对不同备选联合训练方案计算第二目标权重，并根据第一目标权重和第二目标权重选取较优的联合训练方案，以克服通信***的传输缺陷，优化通信***的性能。
附图说明
为了更清楚地说明本公开实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。
图1是本公开实施例提供的一种联合训练方案的评估方法的流程示意图；
图2是本公开实施例提供的AHP模型的示意图；
图3是本公开实施例提供的特征因素的标准权重的示意图；
图4是本公开实施例提供的备选联合训练法方案的权重排序的示意图；
图5是本公开实施例提供的一种联合训练方案的评估装置的结构示意图；
图6是本公开实施例提供的一种电子设备的结构示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定***结构、技术之类的具体细节，以便透彻理解本公开实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本公开。在其它情况中，省略对众所周知的***、装置、电路以及方法的详细说明，以免不必要的细节妨碍本公开的描述。
当前，物联网等新技术的进步推动了5G等网络通信***的发展。各种联合训练策略可以有效利用新技术减少通信***的传输缺陷，提高通信***的适应性和鲁棒性、增加通信通道的吞吐量、优化通信***的延迟性能、降低能源消耗并提高用户满意度。
随着新技术的进步和用户数量的增加，有效利用这些新技术、提高用户的满意程度显得尤其重要，选择一种较优的联合训练方案对改进通信***意义重大。
例如，通信***可以根据以下一些特征进行评价：吞吐量、误码率、功率分配、信道估计、***性能、资源分配、通道容量、网络性能、延迟性能、适应性、鲁棒性、干扰优化、离线训练、资源消耗、比特率误差、信噪比和路径选择。根据以上特征对联合训练方案进行评估可以选取最优的联合训练方案，但是在相关技术中并没有***性的方法可以对联合训练方案进行评估和选取。
为解决以上问题，本公开提出一种联合训练方案的评估方案，以选取较优的联合训练方案。
在本公开实施例中，选取了以下七个最常见的特征对备选联合训练方案进行评估，即吞吐量、资源分配、通道容量、***性能、可编程路由器、适应性和复杂性。
以下是本公开实施例中的技术术语解释：
AHP(Analytical Hierarchy Process，层次分析法)：是指将与决策总是有关的元素分解成目标、准则、方案等层次，在此基础之上进行定性和定量分析的决策方法。
TOPSIS(Technique for Order Preference by Similarity to an IdealSolution，逼近理想解排序法)：是根据有限的评价对象与理想化目标的接近程度进行排序的方法，TOPSIS在现有的对象中进行相对优劣的评价。
MCDM(Multi-Criteria Decision-Making，多准则决策)：是指在具有相互冲突、不可共度的有限方案集中进行选择的决策。
下面将结合附图详细说明根据本公开实施例的联合训练方案的评估方法和装置。
图1是本公开实施例提供的一种联合训练方案的评估方法的流程示意图。本公开实施例提供的方法可以由任意具备计算机处理能力的电子设备执行，例如终端或服务器。如图1所示，该联合训练方案的评估方法包括：
步骤S101，获取用于评估备选联合训练方案的特征因素的成对比较矩阵以及特征因素的标准权重。
具体地，特征因素是通过对现有文献进行分析研究后选取的。在层次分析法中，成对比较矩阵可以为分析过程提供数量依据。在本公开实施例中，成对比较矩阵是各特征因素通过两两比较所得到的判断矩阵。对成对比较矩阵进行归一化处理，可以得到归一化决策矩阵和各特征因素的标准权重。
步骤S102，使用层次分析法根据标准权重和不同备选联合训练方案的判断矩阵获取不同备选联合训练方案的第一目标权重。
具体地，判断矩阵是不同备选联合训练方案相对于不同特征因素的判断矩阵，根据该判断矩阵可以得到不同特征因素的特征向量，根据该特征向量和标准向量的点乘结果即可以得到第一目标权重。
步骤S103，使用逼近理想解排序法根据加权决策矩阵获取不同备选联合训练方案的第二目标权重，其中，加权决策矩阵为基于标准权重创建的不同备选联合训练方案关于每一个特征因素的加权决策矩阵。
具体地，创建加权决策矩阵时，首先创建不同备选联合训练方案对每一个特征因素的决策矩阵，再对该决策矩阵基于特征因素的标准权重进行加权处理后形成加权决策矩阵。在TOPSIS方法中，首先根据加权决策矩阵获得联合训练方案的正理想解和负理想解，再把各备选联合训练方案与正理想解和负理想解分别做比较，若其中一个联合训练方案最接近正理想解，而同时又远离负理想解，则该联合训练方案是备选联合训练方案中最优的方案。
步骤S104，根据第一目标权重和第二目标权重选取目标联合训练方案。
具体地，根据第一目标权重和第二目标权重的均值确定备选联合训练方案的评估排名，可以选取排名最高的备选联合训练方案作为目标联合训练方案。
根据本公开实施例的技术方案，通过层次分析法和逼近理想解排序法，在由层次分析法的MCDM过程得到的标准权重的帮助下，实现对备选联合训练方案的权重排名，并可以进一步根据备选联合训练方案的权重排名选取较优的目标联合训练方案来对通信***进行优化，从而达到降低能源消耗并提高用户满意度的目的。
层次分析法可以根据问题的性质和要达到的总目标，将问题分解为不同的组成因素，并按照因素间的相互关联影响以及隶属关系将因素按不同的层次聚集组合，形成一个多层次的分析结构模型，从而最终使问题归结为最低层相对于最高层的相对重要权值的确定或相对优劣次序的排定。
如图2所示，根据通过层次分析法可以建立一个包含特征因素的AHP模型，该AHP模型是一个类似家庭树的图，由三个层次组成。其中第一个层次是目标联合训练方案层201，第二个层次是特征因素层202，第三个层次是备选联合训练方案层203。其中，特征因素层包括吞吐量、资源分配、通道容量、***性能、可编程路由器、适应性和复杂性等七个特征因素，备选联合训练方案层包括方案1、方案2、方案3、方案4、方案5、方案6和方案7等七种联合训练方案。基于该AHP模型即可以实现最低层相对于最高层的相对重要权值的确定或相对优劣次序的排定。
在本公开实施例中，可以采用层次分析法来基于特征因素两两比较结果构建的成对比较矩阵，进而根据该成对比较矩阵得到不同特征因素的标准权重。
如表1所示，根据用户需求可以对每个选定的特征因素进行赋值后，使用公式(1)可以形成一个如表1所示的成对比较矩阵A。
Figure BDA0003773052680000061
其中，aij为各特征因素间的的对比值，aii＝1，aji＝1/aij且aij≠0，j、i和n均为自然数。
表1成对比较矩阵
Figure BDA0003773052680000062
Figure BDA0003773052680000071
在步骤S101中，根据成对比较矩阵获取规范化决策矩阵，可以进一步获取规范化决策矩阵的最大特征值及其对应的特征因素的标准权重。
具体地，规范化决策矩阵是将成对比较矩阵进行规范化处理后得到的决策矩阵。其中，规范化处理包括归一化处理和标准化处理。归一化处理是将每个样本的特征值转换到同一量纲下，把表达量映射到特定的区间内的区间缩放法，其中，区间的上下限由表达量的极值决定。标准化处理按照表达矩阵中的一个基因在不同样本中的表达量处理数据，每个样本点都能对标准化产生影响。
具体地，根据成对比较矩阵获取规范化决策矩阵可以为：根据成对比较矩阵获取如表2所示的归一化决策矩阵。
表2归一化决策矩阵
Figure BDA0003773052680000072
Figure BDA0003773052680000081
在根据成对比较矩阵获取规范化决策矩阵之后，还需要检验该规范化决策矩阵的一致性。规范化决策矩阵通过一致性检验时，可认为该规范化决策矩阵的一致性可以接受，否则需要对规范化决策矩阵进行修正。
具体地，可以获取规范化决策矩阵的一致性数据，并根据一致性数据确定规范化决策矩阵通过一致性检验。
其中，可以根据以下算式(2)可以得到成对比较矩阵的最大特征值λmax。
Figure BDA0003773052680000082
根据算式(2)可知，λmax＝8.4872。
进一步地，可以根据以下公式(3)得到成对比较矩阵的一致性指标C.I。
Figure BDA0003773052680000083
根据公式(3)可知，C.I＝0.2478。
进一步地，可以根据以下公式(4)得到成对比较矩阵的随机一致性标准
C.R。
Figure BDA0003773052680000084
根据公式(4)可知，C.R＝0.1，从而可以确定规范化决策矩阵通过一致性检验。
如图3所示，根据步骤S101，可以基于层次分析法的成对比较矩阵得到特征因素的标准权重：吞吐量对应的标准权重约为21％，资源分配对应的标准权重约为28％，通道容量对应的标准权重约为4％，***性能对应的标准权重约为18％，可编程路由器对应的标准权重约为13％，适应性对应的标准权重约为9％，复杂性对应的标准权重约为8％。
在步骤S102中，可以创建不同备选联合训练方案两两之间的相对于单一特征因素的判断矩阵，得到多个判断矩阵。根据一个判断矩阵可以得到不同备选联合训练方案相对于单一特征因素的特征向量。将多个判断矩阵对应的特征向量与标准向量点乘，即可以得到不同备选联合训练方案的第一目标权重。
在TOPSIS方法中，正理想解是一种设想的最优的解，它的各个属性值都达到各备选方案中的最好的值，负理想解是一种设想的最劣的解，它的各个属性值都达到各备选方案中的最坏的值。TOPSIS方法假定每个属性是单调递增或者单调递减的，其可以使用欧氏距离测量备选联合训练方案与正理想解和负理想解的距离。
在本公开实施例中，如表3所示的TOPSIS过程的决策矩阵D可以使用公式(5)构建的。
Figure BDA0003773052680000091
其中，A1，A2，……，An代表备选方案，而C1，C2，……，Cn代表特征因素，Zij代表第i个备选联合训练方案中第j个特征因素的值，j、i、m和n均为自然数。
表3决策矩阵
Figure BDA0003773052680000092
Figure BDA0003773052680000101
在步骤S103中，可以根据加权决策矩阵获取理想联合训练方案；根据不同备选联合训练方案和理想联合训练方案的分离度获取不同备选联合训练方案的第二目标权重。
具体地，根据加权决策矩阵获取理想联合训练方案时，可以根据加权决策矩阵获取归一化加权决策矩阵，并根据归一化加权决策矩阵获取理想联合训练方案。在本公开实施例中，通过公式(6)可以将如表3所示的决策矩阵变为如表4所示的归一化决策矩阵。
Figure BDA0003773052680000102
表4归一化决策矩阵
Figure BDA0003773052680000103
在本公开实施例中，理想联合训练方案包括正理想联合训练方案和负理想联合训练方案，在步骤S103中，可以获取不同备选联合训练方案和正理想联合训练方案之间的正分离度；获取不同备选联合训练方案和负理想联合训练方案之间的负分离度；根据负分离度与和值的比值对不同备选联合训练方案进行排序，其中，和值为正分离度和负分离度的和，正理想联合训练方案可以简称正理想解，负理想联合训练方案可以简称负理想解。如表5所示的正理想解Vj +和负理想解Vj -可以使用公式(7)和(8)计算得到。
Vj +＝{(maxi(Vij)if j∈J)；(mini(Vij)ifj∈J‘)} (7)
Vj -＝{(mini(Vij)ifj∈J)；(maxi(Vij)ifj∈J‘)} (8)
其中，Vij代表对第i个备选联合训练方案中第j个特征因素的值Zij加权后的加权值，j和i均为自然数。有益参数由J表示，而非有益参数由J‘表示。在本公开实施例中，有益参数包括效益型的特性因素，如吞吐量、资源分配、通道容量、***性能、可编程路由器和适应性，非有益参数包括成本型的特性因素，如复杂性。
表5理想的正负解决方案
Figure BDA0003773052680000111
进一步地，根据以下公式(9)，可计算代表备选联合训练方案的Vij与代表正理想解Vj +的距离S+，即如表6所示的正分离度。根据以下公式(10)，可计算代表备选联合训练方案的Vij与代表负理想解Vj -的距离S-，即如表6所示的负分离度。
Figure BDA0003773052680000121
Figure BDA0003773052680000122
进一步地，可以根据公式(11)所示的负分离度与和值的比值计算不同备选联合训练方案的第二目标权重即如表6所示的相对接近度的评估得分E，其中，和值为正分离度和负分离度的和。
Figure BDA0003773052680000123
表6评估得分
备选方案 S<sup>+</sup> S<sup>-</sup> 和值 评估得分
方案1 0.113266 0.127553 0.240819 53％
方案2 0.154733 0.037479 0.192212 19％
方案3 0.130089 0.063466 0.193555 33％
方案4 0.096577 0.088588 0.185165 48％
方案5 0.104217 0.092906 0.197123 47％
方案6 0.065759 0.132344 0.198102 67％
方案7 0.123129 0.087595 0.210724 42％
如图4所示，方案1的评估得分为53％，方案2的评估得分为19％，方案3的评估得分为33％，方案4的评估得分为48％，方案5的评估得分为47％，方案6的评估得分为67％，方案7的评估得分为42％。
在步骤S104中，可以根据本公开实施例的技术方案得到的各备选联合训练方案的第一目标权重和第二目标权重的均值获取不同备选联合训练方案的平均目标权重；根据平均目标权重的排序选取目标联合训练方案。
采用本公开实施例提供的备选联合训练方案的权重排序方法有助于解决通信***的传输问题并提高吞吐量。
上述所有可选技术方案，可以采用任意结合形成本申请的可选实施例，在此不再一一赘述。
根据本公开实施例的联合训练方案的评估方法，基于层次分析法和成对比较矩阵获取特征因素的标准权重和第一目标权重，再使用逼近理性解排序法基于特征因素的标准权重对不同备选联合训练方案计算第二目标权重，并根据第一目标权重和第二目标权重选取较优的联合训练方案，以克服通信***的传输缺陷，优化通信***的性能。
下述为本公开装置实施例，可以用于执行本公开方法实施例。下文描述的联合训练方案的评估装置与上文描述的联合训练方案的评估方法可相互对应参照。对于本公开装置实施例中未披露的细节，请参照本公开方法实施例。
图5是本公开实施例提供的一种联合训练方案的评估装置的示意图。如图5所示，该联合训练方案的评估装置包括：
标准权重获取模块501，用于获取用于评估备选联合训练方案的特征因素的成对比较矩阵以及特征因素的标准权重。
第一目标权重获取模块502，用于使用层次分析法根据标准权重和不同备选联合训练方案的判断矩阵获取不同备选联合训练方案的第一目标权重。
第二目标权重获取模块503，用于使用逼近理想解排序法根据加权决策矩阵获取不同备选联合训练方案的第二目标权重，其中，加权决策矩阵为基于标准权重创建的不同备选联合训练方案关于每一个特征因素的加权决策矩阵。
选取模块504，用于根据第一目标权重和第二目标权重选取目标联合训练方案。
根据本公开实施例的技术方案，通过层次分析法和逼近理想解排序法，在由层次分析法的MCDM过程得到的标准权重的帮助下，实现对备选联合训练方案的权重排名，并可以进一步根据备选联合训练方案的权重排名选取较优的目标联合训练方案来对通信***进行优化，从而达到降低能源消耗并提高用户满意度的目的。
在本公开实施例中，第二目标权重获取模块503还可以用于：根据加权决策矩阵获取理想联合训练方案；根据不同备选联合训练方案和理想联合训练方案的分离度获取不同备选联合训练方案的第二目标权重。
在本公开实施例中，标准权重获取模块501还可以用于：根据成对比较矩阵获取规范化决策矩阵；获取规范化决策矩阵的最大特征值及其对应的特征因素的标准权重。
在本公开实施例中，联合训练方案的评估装置还可以包括检验模块，可以用于获取规范化决策矩阵的一致性数据；根据一致性数据确定规范化决策矩阵通过一致性检验。
在本公开实施例中，理想联合训练方案包括正理想联合训练方案和负理想联合训练方案，第二目标权重获取模块503还可以用于：获取不同备选联合训练方案和正理想联合训练方案之间的正分离度；获取不同备选联合训练方案和负理想联合训练方案之间的负分离度；根据负分离度与和值的比值获取不同备选联合训练方案的第二目标权重，其中，和值为正分离度和负分离度的和。
在本公开实施例中，第二目标权重获取模块503还可以用于：根据加权决策矩阵获取归一化加权决策矩阵；根据归一化加权决策矩阵获取理想联合训练方案。
在本公开实施例中，选取模块504还可以用于：根据第一目标权重和第二目标权重的均值获取不同备选联合训练方案的平均目标权重；根据平均目标权重的排序选取目标联合训练方案。
采用本公开实施例提供的备选联合训练方案的权重排序方法有助于解决通信***的传输问题并提高吞吐量。
由于本公开的示例实施例的联合训练方案的评估装置的各个功能模块与上述联合训练方案的评估方法的示例实施例的步骤对应，因此对于本公开装置实施例中未披露的细节，请参照本公开上述的联合训练方案的评估方法的实施例。
根据本公开实施例的联合训练方案的评估装置，基于层次分析法和成对比较矩阵获取特征因素的标准权重和第一目标权重，再使用逼近理性解排序法基于特征因素的标准权重对不同备选联合训练方案计算第二目标权重，并根据第一目标权重和第二目标权重选取较优的联合训练方案，以克服通信***的传输缺陷，优化通信***的性能。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本公开实施例的实施过程构成任何限定。
图6是本公开实施例提供的电子设备6的示意图。如图6所示，该实施例的电子设备6包括：处理器601、存储器602以及存储在该存储器602中并且可在处理器601上运行的计算机程序603。处理器601执行计算机程序603时实现上述各个方法实施例中的步骤。或者，处理器601执行计算机程序603时实现上述各装置实施例中各模块的功能。
电子设备6可以是桌上型计算机、笔记本、掌上电脑及云端服务器等电子设备。电子设备6可以包括但不仅限于处理器601和存储器602。本领域技术人员可以理解，图6仅仅是电子设备6的示例，并不构成对电子设备6的限定，可以包括比图示更多或更少的部件，或者不同的部件。
处理器601可以是中央处理单元(Central Processing Unit，CPU)，也可以是其它通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其它可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。
存储器602可以是电子设备6的内部存储单元，例如，电子设备6的硬盘或内存。存储器602也可以是电子设备6的外部存储设备，例如，电子设备6上配备的插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。存储器602还可以既包括电子设备6的内部存储单元也包括外部存储设备。存储器602用于存储计算机程序以及电子设备所需的其它程序和数据。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
集成的模块如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读存储介质中。基于这样的理解，本公开实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，计算机程序可以存储在计算机可读存储介质中，该计算机程序在被处理器执行时，可以实现上述各个方法实施例的步骤。计算机程序可以包括计算机程序代码，计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括：能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、电载波信号、电信信号以及软件分发介质等。需要说明的是，计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如，在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
以上实施例仅用以说明本公开的技术方案，而非对其限制；尽管参照前述实施例对本公开进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本公开各实施例技术方案的精神和范围，均应包含在本公开的保护范围之内。

Claims (10)

1.一种联合训练方案的评估方法，其特征在于，所述方法包括：
获取用于评估备选联合训练方案的特征因素的成对比较矩阵以及所述特征因素的标准权重；
使用层次分析法根据所述标准权重和不同备选联合训练方案的判断矩阵获取所述不同备选联合训练方案的第一目标权重；
使用逼近理想解排序法根据加权决策矩阵获取所述不同备选联合训练方案的第二目标权重，其中，所述加权决策矩阵为基于所述标准权重创建的不同备选联合训练方案关于每一个特征因素的加权决策矩阵；
根据所述第一目标权重和所述第二目标权重选取目标联合训练方案。
2.根据权利要求1所述的方法，其特征在于，所述使用逼近理想解排序法根据加权决策矩阵获取所述不同备选联合训练方案的第二目标权重，包括：
根据所述加权决策矩阵获取理想联合训练方案；
根据所述不同备选联合训练方案和所述理想联合训练方案的分离度获取所述不同备选联合训练方案的第二目标权重。
3.根据权利要求1所述的方法，其特征在于，获取用于评估备选联合训练方案的特征因素的成对比较矩阵以及所述特征因素的标准权重，包括：
根据所述成对比较矩阵获取规范化决策矩阵；
获取所述规范化决策矩阵的最大特征值及其对应的所述特征因素的标准权重。
4.根据权利要求3所述的方法，其特征在于，所述根据所述成对比较矩阵获取规范化决策矩阵之后，所述方法还包括：
获取所述规范化决策矩阵的一致性数据；
根据所述一致性数据确定所述规范化决策矩阵通过一致性检验。
5.根据权利要求2所述的方法，其特征在于，所述理想联合训练方案包括正理想联合训练方案和负理想联合训练方案，所述根据所述不同备选联合训练方案和所述理想联合训练方案的分离度获取所述不同备选联合训练方案的第二目标权重，包括：
获取不同备选联合训练方案和所述正理想联合训练方案之间的正分离度；
获取不同备选联合训练方案和所述负理想联合训练方案之间的负分离度；
根据所述负分离度与和值的比值获取所述不同备选联合训练方案的第二目标权重，其中，所述和值为所述正分离度和所述负分离度的和。
6.根据权利要求2所述的方法，其特征在于，所述根据所述加权决策矩阵获取理想联合训练方案，包括：
根据所述加权决策矩阵获取归一化加权决策矩阵；
根据所述归一化加权决策矩阵获取所述理想联合训练方案。
7.根据权利要求1所述的方法，其特征在于，根据所述第一目标权重和所述第二目标权重选取目标联合训练方案，包括：
根据所述第一目标权重和所述第二目标权重的均值获取所述不同备选联合训练方案的平均目标权重；
根据所述平均目标权重的排序选取所述目标联合训练方案。
8.一种联合训练方案的评估装置，其特征在于，所述装置包括：
标准权重获取模块，用于获取用于评估备选联合训练方案的特征因素的成对比较矩阵以及所述特征因素的标准权重；
第一目标权重获取模块，用于使用层次分析法根据所述标准权重和不同备选联合训练方案的判断矩阵获取所述不同备选联合训练方案的第一目标权重；
第二目标权重获取模块，用于使用逼近理想解排序法根据加权决策矩阵获取所述不同备选联合训练方案的第二目标权重，其中，所述加权决策矩阵为基于所述标准权重创建的不同备选联合训练方案关于每一个特征因素的加权决策矩阵；
选取模块，用于根据所述第一目标权重和所述第二目标权重选取目标联合训练方案。
9.一种电子设备，包括存储器、处理器以及存储在所述存储器中并且可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7中任一项所述方法的步骤。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述方法的步骤。
CN202210907964.9A 2022-07-29 2022-07-29 联合训练方案的评估方法及装置 Active CN115174417B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210907964.9A CN115174417B (zh) 2022-07-29 2022-07-29 联合训练方案的评估方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210907964.9A CN115174417B (zh) 2022-07-29 2022-07-29 联合训练方案的评估方法及装置

Publications (2)

Publication Number Publication Date
CN115174417A true CN115174417A (zh) 2022-10-11
CN115174417B CN115174417B (zh) 2023-07-28

Family

ID=83477787

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210907964.9A Active CN115174417B (zh) 2022-07-29 2022-07-29 联合训练方案的评估方法及装置

Country Status (1)

Country Link
CN (1) CN115174417B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109472001A (zh) * 2018-11-02 2019-03-15 广东电网有限责任公司 一种方案的优劣评估方法、优劣评估***及相关装置
CN109617727A (zh) * 2018-12-14 2019-04-12 西安邮电大学 基于ahp—topsis的渗透测试工具的综合评价方法
CN110581783A (zh) * 2019-09-29 2019-12-17 南京邮电大学 基于ahp和topsis的通信方案决策方法
US20200364786A1 (en) * 2018-01-22 2020-11-19 Dalian University Of Technology Method for determining optimal weight vector of credit rating based on maximum default identification ability measured by approaching ideal points

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200364786A1 (en) * 2018-01-22 2020-11-19 Dalian University Of Technology Method for determining optimal weight vector of credit rating based on maximum default identification ability measured by approaching ideal points
CN109472001A (zh) * 2018-11-02 2019-03-15 广东电网有限责任公司 一种方案的优劣评估方法、优劣评估***及相关装置
CN109617727A (zh) * 2018-12-14 2019-04-12 西安邮电大学 基于ahp—topsis的渗透测试工具的综合评价方法
CN110581783A (zh) * 2019-09-29 2019-12-17 南京邮电大学 基于ahp和topsis的通信方案决策方法

Also Published As

Publication number Publication date
CN115174417B (zh) 2023-07-28

Similar Documents

Publication Publication Date Title
CN107220732B (zh) 一种基于梯度提升树的停电投诉风险预测方法
CN111222556B (zh) 一种基于决策树算法识别用电类别的方法及***
WO2022042123A1 (zh) 图像识别模型生成方法、装置、计算机设备和存储介质
WO2021089013A1 (zh) 空间图卷积网络的训练方法、电子设备及存储介质
CN108665148B (zh) 一种电子资源质量评价方法、装置和存储介质
CN116596095B (zh) 基于机器学习的碳排放量预测模型的训练方法及装置
WO2021035412A1 (zh) 一种自动机器学习AutoML***、方法及设备
CN111797320A (zh) 数据处理方法、装置、设备及存储介质
Li et al. Fast density peaks clustering algorithm based on improved mutual K-nearest-neighbor and sub-cluster merging
CN111310834B (zh) 数据处理方法及装置、处理器、电子设备、存储介质
US20220318689A1 (en) Systems and Methods for Model Selection
CN114897451A (zh) 考虑需求响应用户关键特征的双层聚类修正方法及装置
CN112966054A (zh) 基于企业图谱节点间关系的族群划分方法和计算机设备
CN115174417B (zh) 联合训练方案的评估方法及装置
CN108984630B (zh) 复杂网络中节点重要性在垃圾网页检测中的应用方法
CN107644285A (zh) 售电市场盈利能力评估指标的筛选与权重确定方法及***
CN115511262A (zh) 变压器质量检测方法及装置
CN112667754B (zh) 大数据处理方法、装置、计算机设备及存储介质
CN114741429A (zh) 一种基于图神经网络的Web API关联模式挖掘方法
CN111814051B (zh) 一种资源类型确定方法及装置
CN111125541B (zh) 面向多用户的可持续多云服务组合的获取方法
CN113760407A (zh) 信息处理方法、装置、设备及存储介质
CN113672783B (zh) 特征处理方法、模型训练方法及媒体资源处理方法
CN115242661A (zh) 基于组件层次分析的通信方案决策方法及相关装置
CN116680323B (zh) 基于大数据安全平台的用户需求挖掘方法及***

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20240204

Address after: 100080 Building 1, Qinghe Anningli South District, Haidian District, Beijing 108

Patentee after: Guo Dawei

Country or region after: China

Address before: 100089 723, floor 7, building 1, yard 138, malianwa North Road, Haidian District, Beijing

Patentee before: BEIJING YUHANG INTELLIGENT TECHNOLOGY Co.,Ltd.

Country or region before: China