CN116922397B - 机器人智能水平的测量方法、装置、机器人及存储介质 - Google Patents
机器人智能水平的测量方法、装置、机器人及存储介质 Download PDFInfo
- Publication number
- CN116922397B CN116922397B CN202311175911.3A CN202311175911A CN116922397B CN 116922397 B CN116922397 B CN 116922397B CN 202311175911 A CN202311175911 A CN 202311175911A CN 116922397 B CN116922397 B CN 116922397B
- Authority
- CN
- China
- Prior art keywords
- dimension
- intelligent
- evaluation
- cognition
- decision
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 86
- 238000011156 evaluation Methods 0.000 claims abstract description 134
- 230000019771 cognition Effects 0.000 claims abstract description 87
- 230000008447 perception Effects 0.000 claims abstract description 56
- 239000011159 matrix material Substances 0.000 claims description 23
- 238000012545 processing Methods 0.000 claims description 18
- 238000010606 normalization Methods 0.000 claims description 7
- 238000005259 measurement Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 5
- 230000006870 function Effects 0.000 description 9
- 230000008569 process Effects 0.000 description 9
- 238000004364 calculation method Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 230000001149 cognitive effect Effects 0.000 description 5
- 208000032364 Undersensing Diseases 0.000 description 4
- 230000005484 gravity Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000004044 response Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012067 mathematical method Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J9/00—Programme-controlled manipulators
- B25J9/16—Programme controls
- B25J9/1602—Programme controls characterised by the control system, structure, architecture
- B25J9/161—Hardware, e.g. neural networks, fuzzy logic, interfaces, processor
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J19/00—Accessories fitted to manipulators, e.g. for monitoring, for viewing; Safety devices combined with or specially adapted for use in connection with manipulators
- B25J19/0095—Means or methods for testing manipulators
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J9/00—Programme-controlled manipulators
- B25J9/16—Programme controls
- B25J9/1628—Programme controls characterised by the control loop
- B25J9/1653—Programme controls characterised by the control loop parameters identification, estimation, stiffness, accuracy, error analysis
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J9/00—Programme-controlled manipulators
- B25J9/16—Programme controls
- B25J9/1656—Programme controls characterised by programming, planning systems for manipulators
- B25J9/1661—Programme controls characterised by programming, planning systems for manipulators characterised by task planning, object-oriented languages
Landscapes
- Engineering & Computer Science (AREA)
- Robotics (AREA)
- Mechanical Engineering (AREA)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Manipulator (AREA)
Abstract
本申请涉及一种机器人智能水平的测量方法、装置、机器人及存储介质。该机器人智能水平的测量方法包括:获取机器人在感知维度、认知维度、决策维度以及执行维度下的多个要素指标对应的多个第一评价值;根据第一评价值以及各个要素指标对应的第一权重,分别计算出在感知维度、认知维度、决策维度以及执行维度的第一智能值;根据感知维度、认知维度、决策维度以及执行维度的第一智能值及各个维度对应的第二权重,计算出表征机器人的综合智能水平的第二智能值。本申请实施例中,利用获取到的能够反映机器人实现相应要素指标智能水平的第一评价值,结合机器人为适应不同场景所得到的第一权重、第二权重,计算出机器人在不同场景中的综合智能水平。
Description
技术领域
本申请属于人工智能领域,具体涉及一种机器人智能水平的测量方法、装置、机器人及存储介质。
背景技术
现如今,随着人工智能机器人的快速发展,不同机器人的智能水平的高低也参差不齐,因此,在世界人工智能大会机器人技术应用创新论坛集第四届长三角机器人产业创新大会上,8家行业组织联合提议给赋予机器人智能综合等级的方案,其中,根据机器人的智能水平将机器人的智能综合等级分为L1~L5五个等级,该等级是由基于四个维度(感知、认知、决策、执行)分别得到的四个智能等级加权求和得到,并以此智能综合等级结果度量不同机器人的智能水平。然而,不同机器人在不同的场景下的所侧重的要素指标不一样,使用机器人的用户对不同的机器人智能水平要求的侧重也不一样,现有的赋予机器人智能综合等级的方案中,每个维度所占的权重是相同的,因此在计算不同机器人智能综合等级的时候并不能计算出在不同用户的使用需求场景下的准确的机器人智能综合等级。例如,某一种机器人是虚拟机器人,是不需要配置硬件设备来感知数据,在这样的情况下,计算机器人智能综合等级若仍将感知维度所对应的权重与认知、决策、执行三个维度所对应的权重设置成相同的权重,就算该虚拟机器人其他三个维度的智能等级很高,其智能综合等级会其感知维度的智能等级的影响,导致计算出的智能综合等级准确性较低。
发明内容
鉴于此,本申请的目的在于提供的一种机器人智能水平的测量方法、装置、机器人及存储介质,以改善在不同使用需求场景下所计算出的机器人的智能水平准确性较低的问题。
本申请的实施例是这样实现的:
第一方面,本申请实施例提供了一种机器人智能水平的测量方法,所述方法包括:获取机器人在感知维度、认知维度、决策维度以及执行维度下的多个要素指标对应的多个第一评价值;一个所述第一评价值表征与其对应的要素指标的智能水平;根据所述第一评价值以及各个要素指标对应的第一权重,分别计算出在所述感知维度、所述认知维度、所述决策维度以及所述执行维度的第一智能值,其中,同一维度下的每个要素指标对应的所述第一权重之和为1,每个所述第一权重不小于0且小于1,所述第一智能值用于反映所述机器人在相应维度的智能水平;根据所述感知维度、所述认知维度、所述决策维度以及所述执行维度的所述第一智能值及各个维度对应的第二权重,计算出表征所述机器人的综合智能水平的第二智能值,其中,每个维度对应的所述第二权重之和为1,每个所述第二权重不小于0且小于1。
本申请实施例中,由于不同机器人所侧重实现的功能不同,因此不同维度对应的智能程度也不同,对每个维度中不同的要素指标的实现程度也就不同,因此在不同场景下不同机器人因此根据不同机器人在感知维度、认知维度、决策维度以及执行维度下多个要素指标对应的第一评价值、各个要素指标对应的第一权重以及每个维度对应的第二权重也就不同。通过先计算出反应机器人在不同维度下的智能水平的第一智能值,再基于不同维度对应的第一智能值以及每个维度对应的第二权重,所计算出的的第二智能值,能够更加准确地反映出不同机器人在不同场景下的综合智能水平。
结合第一方面实施例的一种可能的实施方式,所述方法还包括:对每个所述第一评价值进行归一化处理,得到第二评价值;利用多个所述第二评价值,构建第一矩阵,其中,所述第一矩阵中的元素表示在所述感知维度、所述认知维度、所述决策维度以及所述执行维度中任一维度下第j个要素指标的所述第二评价值,其中,/>,/>,/>和/>均为自然数,n为在所述感知维度、所述认知维度、所述决策维度以及所述执行维度中任一维度下的要素指标总数量;分别计算所述感知维度、所述认知维度、所述决策维度以及所述执行维度下第j个要素指标在相应维度下的评价比重/>;基于每个所述评价比重/>,分别计算出所述感知维度、所述认知维度、所述决策维度以及所述执行维度下的第j个要素指标的熵值/>,一个所述熵值用于反映与其对应的要素指标在相应维度下的智能贡献程度;利用熵权法对所述熵值/>进行计算,得到所述第一权重。
本申请实施例中,由于不同的机器人在不同的维度下的各项指标的水平是不均衡的,因此,每个维度下的各个要素指标对该维度的第一智能值的影响力也不均衡,因此,对相应维度的智能水平影响较大的要素指标分配较高的第一权重,对相应维度的智能水平影响较小的要素指标分配角度的第一权重,能够更加客观的分配在不同的维度下的各项指标对应的第一权重,进而使得计算出的机器人各维度下的第一智能值更准确。
结合第一方面实施例的一种可能的实施方式,所述第一矩阵中同一行中的所述第二评价值代表同一维度下不同要素指标对应的所述第二评价值,分别计算所述感知维度、所述认知维度、所述决策维度以及所述执行维度下第j个要素指标在相应维度下的评价比重,包括:计算所述第一矩阵中多行/>-/>之和,分别得到所述感知维度、所述认知维度、所述决策维度以及所述执行维度下所有所述第二评价值之和/>;计算每个维度下第j个第二评价值/>与对应维度下的/>之间的比值,得到所述感知维度、所述认知维度、所述决策维度以及所述执行维度下第j个要素指标在相应维度下的评价比重/>。
本申请实施例中,通过计算出感知维度、认知维度、决策维度以及执行维度下的各个要素指标在相应维度下的评价比重,评价比重/>能够反映出各个要素指标在相应维度下的信息量占比,信息量占比越高,进而代表对该维度下的智能水平的影响力越大,基于得到的评价比重/>所计算出的各个要素指标在相应维度下的熵值/>的准确性更高。
结合第一方面实施例的一种可能的实施方式,利用熵权法对所述熵值进行计算,得到所述第一权重,包括:计算最大熵值与每个维度下各个要素指标对应的所述熵值/>之差,得到多个第一差值;将多个所述第一差值进行归一化处理,得到每个维度下各个要素对应的所述第一权重,同一维度下的每个要素指标对应的所述第一权重之和为1,每个所述第一权重不小于0且小于1。
本申请实施例中,由于熵值与权重的呈负相关关系,且权重需要处于[0,1]之间,通过计算出第一差值,得到第一权重与第一差值呈正相关关系,再对第一差值进行归一化处理,使得第一权重处于[0,1]之间,进而为后续计算出每个维度准确的对应的第一智能值提供了准确的权重参数。
结合第一方面实施例的一种可能的实施方式,所述方法还包括:为同一维度下的每个要素指标平均分配权重,得到所述第一权重。
本申请实施例中,当机器人各个维度下的各个要素指标的水平是均衡的情况下,为每个维度下各个要素指标平均分配权重,得到第一权重,能够使得在计算该情况下的机器人各维度下的第一智能值更准确。
结合第一方面实施例的一种可能的实施方式,所述方法还包括:响应用户的配置操作,为每个要素指标分配与所述配置操作对应的所述第一权重。
本申请实施例中,由于不同的用户对不同维度下不同的要素指标的水平要求不一样,例如,用户A对机器人B感知维度下的人脸识别精度的水平要求较高,对机器人B感知维度下人脸识别数量的数量要求水平要求较低,用户A主观认为机器人B感知维度下的人脸识别精度的智能水平高,即机器人B在感知维度的智能水平就高,用户A通过自行配置不同维度下各个要素指标对应的第一权重,计算出的第一智能值能够更加符合用户的主观需求。
结合第一方面实施例的一种可能的实施方式,所述方法还包括:为每个维度平均分配权重,得到所述第二权重。
本申请实施例中,当机器人各个维度的智能水平是均衡的情况下,为每个维度平均分配权重,得到第二权重,能够使得在计算该情况下的机器人的第二智能值更准确。
结合第一方面实施例的一种可能的实施方式,所述方法还包括:基于所述感知维度、所述认知维度、所述决策维度以及所述执行维度下的所述第一智能值的大小,计算出所述感知维度、所述认知维度、所述决策维度以及所述执行维度对应的所述第二权重,其中,每个所述第二权重的大小与对应的第一智能值的大小呈正线性相关关系。
本申请实施例中,由于不同的机器人在不同的维度下的智能水平是不均衡的,因此,每个维度的第一智能值对机器人综合智能值的影响力也不均衡,因此,对机器人综合智能水平影响较大的维度分配较高的第二权重,对机器人综合智能水平影响较小的维度分配较低的第二权重,能够更加客观的分配机器人在各个维度对应的第二权重,进而是的计算出的机器人的第二智能值更准确。
结合第一方面实施例的一种可能的实施方式,所述方法还包括:响应用户的配置操作,为每个维度分配与所述配置操作对应的所述第二权重。
本申请实施例中,由于不同的用户对不同维度的智能水平要求不一样,例如,用于C对机器人D执行维度的智能水平要求较高,对机器人D感知维度的智能水平要求较低,用户C主管认为机器人D执行维度的智能水平高,即机器人D的综合智能水平就搞,用户C通过自行配置各个维度对应的第二权重,计算出的第二智能值能够更加符合用户的主观需求。
第二方面,本申请实施例提供了一种机器人智能水平的测量装置,所述装置包括:获取模块,用于获取机器人在感知维度、认知维度、决策维度以及执行维度下的多个要素指标对应的多个第一评价值;一个所述第一评价值表征与其对应的要素指标的智能水平;处理模块,用于根据所述第一评价值以及预先配置的第一权重,分别计算出在所述感知维度、所述认知维度、所述决策维度以及所述执行维度的第一智能值,其中,同一维度下的每个要素指标对应的所述第一权重之和为1,每个所述第一权重不小于0且小于1,所述第一智能值用于反映所述机器人在相应维度的智能水平;根据所述感知维度、所述认知维度、所述决策维度以及所述执行维度下的所述第一智能值及预先配置的第二权重,计算出表征所述机器人的综合智能水平的第二智能值。
第三方面,本申请实施例提供一种机器人,所述机器人包括机器人智能水平测量装置,以及至少一个硬件模块和/或至少一个软件模块,所述至少一个硬件模块和/或至少一个软件模块用于实现上述第一方面实施例和/或结合第一方面实施例的任一种可能的实施方式提供的方法。
第四方面,本申请实施例提供一种可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如上述第一方面实施例和/或结合第一方面实施例的任一种可能的实施方式提供的方法。
应当理解的是,本发明实施例的第二~四方面与本发明实施例的第一方面的技术方案一致,各方面及对应的可行实施方式所取得的有益效果相似,不再赘述。
本申请的其他特征和优点将在随后的说明书阐述。本申请的目的和其他优点可通过在所写的说明书以及附图中所特别指出的结构来实现和获得。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例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申请的一些实施例,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他的附图。通过附图所示,本申请的上述及其它目的、特征和优势将更加清晰。
图1示出了本申请实施例提供的一种机器人智能水平的测量方法的流程示意图。
图2示出了本申请实施例提供的一种机器人智能水平的测量方法的流程示意图
图3示出了本申请实施例提供的一种机器人智能水平的测量装置的结构示意图。
图4示出了本申请实施例提供的一种机器人的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行描述。显然,所描述的实施例仅是本申请一部分实施例,而不是全部的实施例。以下实施例可作为示例,用于更加清楚地说明本申请的技术方案,而不能以此来限制本申请的保护范围。本领域技术人员可以理解的是,在不相冲突的情况下,下述实施例及实施例中的特征可以相互结合。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。同时,在本申请的描述中诸如“第一”、“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
再者,本申请中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。
鉴于现有技术在计算机器人智能水平的过程中所计算出的智能水平值不准确的问题,基于此,本申请实施例提供了一种全新的机器人智能水平的测量方法,以解决现有技术计算机器人智能水平不准确的问题。本申请利用获取到的能够反映机器人实现各个智能维度下相应要素指标智能水平的第一评价值,结合机器人为适应不同场景所得到的不同维度下各个要素指标对应的第一权重,以及各个维度对应的第二权重,计算出更准确的表征机器人综合智能水平的第二智能值。下面将结合图1,对本申请实施例所提供的机器人智能水平的测量方法进行说明。
步骤S101:获取机器人在感知维度、认知维度、决策维度以及执行维度下的多个要素指标对应的多个第一评价值;一个第一评价值表征与其对应的要素指标的智能水平。
在一种实施方式下,获取多个第一评价值的方式可以是: 下载预先统计好的机器人在感知维度、认知维度、决策维度以及执行维度下的多个要素指标对应的多个第一评价值。
又一种实施方式下,获取多个第一评价值的方式可以是:根据机器人的能力超市功能自动统计各个维度的要素指标类别, 调用各个维度模型参数实现对第一评价值的数据收集。
请参见表1,表1呈现了一种机器人在感知维度、认知维度、决策维度以及执行维度下的多个要素指标对应的多个第一评价值。
步骤S102:根据第一评价值以及各个要素指标对应的第一权重,分别计算出在感知维度、认知维度、决策维度以及执行维度的第一智能值,其中,同一维度下的每个要素指标对应的第一权重之和为1,每个第一权重不小于0且小于1,第一智能值用于反映机器人在相应维度的智能水平。
在一种实施方式下,获取第一权重的方法可以是:为同一维度下的每个要素指标平均分配权重,得到第一权重。
又一种实施方式下,获取第一权重的方法可以是:响应用户的配置操作,为每个要素指标分配与所述配置操作对应的所述第一权重。
在该种实施方式下,由于用户对机器人在不同维度下的各个要素指标的要求不同,用户可以自行配置每个维度下各个要素指标的第一权重值。例如,用户对机器人在感知维度下的人脸识别精度的要求较高,对在感知维度下的语音识别精度的要求角度,用户可以自行将人脸识别精度这一要素指标对应的第一权重设置为0.5,将语音识别精度这一要素指标对应的第一权重设置为0.1。
再一种实施方式下,获取第一权重的方法可以是:对每个第一评价值进行归一化处理,得到第二评价值;利用多个第二评价值,构建第一矩阵,其中,第一矩阵中的元素表示在感知维度、认知维度、决策维度以及执行维度中任一维度下第j个要素指标的第二评价值,其中,/>,/>,/>和/>均为自然数,n为在感知维度、认知维度、决策维度以及执行维度中任一维度下的要素指标总数量;分别计算感知维度、认知维度、决策维度以及执行维度下第j个要素指标在相应维度下的评价比重/>;基于每个评价比重/>,分别计算出感知维度、认知维度、决策维度以及执行维度下的第j个要素指标的熵值/>,一个熵值/>用于反映与其对应的要素指标在相应维度下的智能贡献程度;同一维度下的要素指标对应的熵值/>与该要素指标对相应维度的影响力呈负相关;利用熵权法对熵值/>进行计算,得到第一权重。
在该种实施方式下,主要是基于第一评价值,通过熵权法的思想来计算每个维度下的各个要素指标对应的第一权重。其中,熵权法是指用来判断某个要素指标的离散程度的数学方法,通过信息熵原理来确定权重,能够客观准确的反映出每个要素指标对相应维度影响力。其中,第一评价值越大,该第一评价值对应的要素指标的不确定性就越小,基于该第一评价值所计算出的熵值也就越小,同理,第一评价值越小,该第一评价值对应的要素指标的不确定性就越大,基于该第一评价值所计算出的熵值也就越大。
首先,由于各项指标要素的计量单位以及方向不统一,需要对每个第一评价值进行归一化处理,将各项指标要素同质化,得到第二评价值。例如,表1中感知维度下人脸识别数量、图像识别种类、OCR识别种类的计量单位为数量,而图像识别精度、语音识别精度以及OCR识别精度的计量单位为百分比,为了方便计算,将该维度下的各个要素指标都转化为百分比来计算,但将数量值转化为相对值的过程,同时需要取一个理想值作为参照,假设表1中的机器人的感知维度下所能进行人脸识别数量的理想值为5000个,那么人脸识别数量转化为百分比来计量,所得到的第二评价值为10.0%。
在对第一评价值进行归一化处理,得到第二评价值之后,基于第二评价值构建第一矩阵,其中,第一矩阵为原始数据矩阵,第一矩阵的表达式为:。
其中,矩阵中的为第i个维度下第j个要素指标,第i个指标可以为感知维度、认知维度、决策维度以及执行维度中任一一个维度,例如,第二评价值/>,i=2,第2维度表征认知维度,认知维度下的第1个要素指标为意图识别数量,则第二评价值/>为认知维度下的意图识别数量要素指标对应的第二评价值。
在建立了第一矩阵之后,分别计算所述感知维度、所述认知维度、所述决策维度以及所述执行维度下第j个要素指标在相应维度下的评价比重的方法为:计算第一矩阵中多行/>-/>之和,分别得到感知维度、认知维度、决策维度以及执行维度下所有第二评价值之和/>;计算每个维度下第j个第二评价值/>与对应维度下的/>之间的比值,得到感知维度、认知维度、决策维度以及执行维度下第j个要素指标在相应维度下的评价比重/>。其中,计算第i个维度下的第j项要素指标对应的评价比重/>的公式为:/>,其中,。例如,在感知维度下有人脸识别数量、人脸识别精度、图像识别种类、语音识别精度、OCR识别种类以及OCR识别精度六个要素指标,每个要素指标对应的第二评价值为54.1%、44.6%、98.2%、65.5%、74.9%以及86.1%,可知,感知维度对应的/>为423.2%,人脸识别数量对应的评价比重为/>。
由于每个维度下的要素指标对应的评价比重越大,代表该要素指标占相应维度下的信息量比重也就越大,所占的信息量比重越大,在计算机器人在相应维度下的智能水平时,该要素指标的智能贡献程度越高。在计算出每个维度下的要素指标对应的评价比重/>之后,基于每个评价比重/>,分别计算出感知维度、认知维度、决策维度以及执行维度下的第j个要素指标的熵值/>。计算感知维度、认知维度、决策维度以及执行维度下的第j个要素指标的熵值/>的计算公式为:/>,其中,/>为第i个维度下的第j项要素指标对应的评价比重,k为常数且k>0,ln为自然对数。所计算出的/>越小,表征与其对应的要素指标在相应维度下的智能贡献程度越高,所计算出的/>越大,表征与其对应的要素指标在相应维度下的智能贡献程度越低。
基于上述方法计算出的能够反映出要素指标在相应维度下的智能贡献程度的熵值,利用熵权法对熵值/>进行计算,得到第一权重。其中,利用熵权法对熵值/>进行计算,得到第一权重的公式为:/>,其中,/>为第一权重。熵权法的计算思路是:/>越小,该要素指标在相应维度下的智能贡献程度越大,/>越大,该要素指标在相应维度下的智能贡献程度越小,因此,第一权重/>与/>成反比,为了方便计算,第一权重可由来度量,1为最大熵值,然而第一权重必须处于[0,1]区间,对/>进行归一化处理,进而得到处于 [0,1]区间的/>。
其中,在得到第一权重的公式中,对/>进行归一化处理是基于/>乘一个系数/>得到。
在得到第一权重之后,根据第一评价值以及各个要素指标对应的第一权重,分别计算出在感知维度、认知维度、决策维度以及执行维度的第一智能值的方法可以是:基于第一评价值,得到每个维度下各个要素指标对应的智能值;每个维度下各个要素指标对应的智能值与每个维度下各个要素指标对应的第一权重求加权和,得到每个维度对应的第一智能值。
其中,基于第一评价值,得到每个维度下各个要素指标对应的智能值可以是绝对数值,也可以是等级数值,在此不做限定。
例如,如表2所示,在感知维度下有6种不同的要素指标分别是:人脸识别数量、人脸识别精度、图像识别种类、语音识别精度、OCR识别种类以及OCR识别精度,每种要素指标分为5个智能值等级,其中,人脸识别数量对应的第一评价值为0-10时,赋予人脸识别数量要素指标智能值为Sl1,人脸识别数量对应第一评价值为10-100时,赋予人脸识别数量要素指标智能值为Sl2,人脸识别数量对应第一评价值为100-1000时,赋予人脸识别数量要素指标智能值为Sl3,人脸识别数量对应第一评价值为1000-5000时,赋予人脸识别数量要素指标智能值为Sl4,人脸识别数量为大于5000时,赋予人脸识别数量要素指标智能值为Sl5。
表2
若人脸识别数量对应的第一评价值为501,处于100-1000范围内,赋予其智能值Sl3。
进一步的,基于上述方法,确定感知维度下人脸识别数量、人脸识别精度、图像识别种类、语音识别精度、OCR识别种类以及OCR识别精度对应的智能值分别为:Sl3、Sl5、Sl4、Sl2、Sl3、Sl1,已知感知维度下人脸识别数量、人脸识别精度、图像识别种类、语音识别精度、OCR识别种类以及OCR识别精度对应的第一权重分别是、/>、/>、/>、/>、/>,基于感知维度下各个要素指标对应的智能值以及第一权重做加权和,得到第一智能值,该过程的公式为:/>,Sl为第一智能值。
步骤S103:根据感知维度、认知维度、决策维度以及执行维度的第一智能值及各个维度对应的第二权重,计算出表征机器人的综合智能水平的第二智能值,其中,每个维度对应的第二权重之和为1,每个第二权重不小于0且小于1。
在一种实施方式下,获取第二权重的方法可以是:为每个维度平均分配权重,得到第二权重。
又一种实施方式下,获取第二权重的方法可以是:响应用户的配置操作,为每个维度分配与所述配置操作对应的所述第二权重。
在该种实施方式下,由于用户对机器人在不同维度的要求不同,用户可以自行配置各个维度对应的第二权重值。例如,用户对机器人感知维度下的功能的要求较高,用户可以自行将感知维度对应的第二权重设置为0.7,将认知维度、决策维度以及执行维度对应的第二权重分别设置为0.1、0.1、0.1。
再一种实施方式下,基于感知维度、认知维度、决策维度以及执行维度下的第一智能值的大小,计算出感知维度、认知维度、决策维度以及执行维度对应的第二权重,其中,每个第二权重的大小与对应的第一智能值的大小呈正线性相关关系。
在该种实施方式下,基于步骤S102过程中计算出的机器人在感知维度、认知维度、决策维度以及执行维度对应的第一智能值的大小,能够反映出机器人在不同维度的智能水平,不同的维度的智能水平可以作为评判机器人综合智能水平的参考,例如,一种机器人为虚拟chatGPT机器人,该种机器人没有在感知维度下的功能,只有在意图识别上的功能,若各个维度对应的第二权重是均分的,可能计算出的该机器人对应的综合智能值很低,即使该种机器人在认知维度的对应的第一智能值已经接近于理想,在这样的场景下,通过均分第二权重的方法已经不适用了。因此,在该种场景下,基于感知维度、认知维度、决策维度以及执行维度对应的第一智能值的大小来确定第二权重的大小,最后计算出表征机器人的综合智能水平的第二智能值准确性更高。
在得到第二权重之后,基于步骤S102过程中得到的感知维度、认知维度、决策维度以及执行维度对应的第一智能值以及第二权重做加权和,得到第二智能值,该过程的公式为:,其中,/>为机器人的第二智能值,/>为感知维度、认知维度、决策维度以及执行维度对应的第二权重,/>、/>、/>、/>为感知维度、认知维度、决策维度以及执行维度对应的第一智能值。
作为一种实施方式,如图2所示,图2中的实施方式仅为本申请提出的一种机器人智能水平的测量方法中众多实施方式中的一种实施方式,在该种实施方式下,在获取到机器人在感知维度、认知维度、决策维度以及执行维度下的多个要素指标对应的第一评价值后,对在感知维度、认知维度、决策维度以及执行维度下的多个要素指标对应的第一评价值进行归一化处理,得到第二评价值,利用多个第二评价值,构建第一矩阵,并分别计算感知维度、认知维度、决策维度以及执行维度下各个要素指标在相应维度下的评价比重,并基于感知维度、认知维度、决策维度以及执行维度下各个要素指标在相应维度下的评价比重,计算出感知维度、认知维度、决策维度以及执行维度下各个要素指标的熵值,再利用熵权法对熵值进行计算,得到第一权重。
在计算出第一权重的情况下,基于感知维度、认知维度、决策维度以及执行维度下各个要素指标对应的第一权重以及第一评价值,按照上述计算规则,计算出机器人感知维度、认知维度、决策维度以及执行维度对应的第一智能值。
在计算出机器人感知维度、认知维度、决策维度以及执行维度对应的第一智能值的情况下,基于机器人感知维度、认知维度、决策维度以及执行维度对应的第一智能值的大小,计算出第二权重。
在计算出第二权重的情况下,基于机器人感知维度、认知维度、决策维度以及执行维度对应的第一智能值以及第二权重,计算出表征机器人的综合智能水平的第二智能值。
本申请实施例所提供的机器人智能水平的测量装置100,如图3所示。该机器人包括:获取模块110以及处理模块120。
获取模块110,用于获取机器人在感知维度、认知维度、决策维度以及执行维度下的多个要素指标对应的多个第一评价值;一个第一评价值表征与其对应的要素指标的智能水平。
处理模块120,用于根据第一评价值以及预先配置的第一权重,分别计算出在感知维度、认知维度、决策维度以及执行维度的第一智能值,其中,同一维度下的每个要素指标对应的第一权重之和为1,每个第一权重不小于0且小于1,第一智能值用于反映机器人在相应维度的智能水平;根据感知维度、认知维度、决策维度以及执行维度下的第一智能值及预先配置的第二权重,计算出表征机器人的综合智能水平的第二智能值。
可选的,处理模块120具体用于对每个第一评价值进行归一化处理,得到第二评价值;利用多个第二评价值,构建第一矩阵,其中,第一矩阵中的元素表示在感知维度、认知维度、决策维度以及执行维度中任一维度下第j个要素指标的第二评价值,其中,,/>,/>和/>均为自然数,n为在感知维度、认知维度、决策维度以及执行维度中任一维度下的要素指标总数量;分别计算感知维度、认知维度、决策维度以及执行维度下第j个要素指标在相应维度下的评价比重/>;基于每个评价比重/>,分别计算出感知维度、认知维度、决策维度以及执行维度下的第j个要素指标的熵值/>,一个熵值/>用于反映与其对应的要素指标在相应维度下的智能贡献程度;同一维度下的要素指标对应的熵值/>与该要素指标对相应维度的影响力呈负相关;利用熵权法对熵值/>进行计算,得到第一权重。
可选的,处理模块120具体用于计算所述第一矩阵中多行-/>之和,分别得到所述感知维度、所述认知维度、所述决策维度以及所述执行维度下所有所述第二评价值之和;计算每个维度下第j个第二评价值/>与对应维度下的/>之间的比值,得到感知维度、认知维度、决策维度以及执行维度下第j个要素指标在相应维度下的评价比重/>。
可选的,处理模块120具体用于计算最大熵值与每个维度下各个要素指标对应的熵值之差,得到多个第一差值;将多个第一差值进行归一化处理,得到每个维度下各个要素对应的第一权重,同一维度下的每个要素指标对应的第一权重之和为1,每个第一权重不小于0且小于1。
可选的,处理模块120具体用于为同一维度下的每个要素指标平均分配权重,得到第一权重。
可选的,处理模块120具体用于响应用户的配置操作,为每个要素指标分配与配置操作对应的第一权重。
可选的,处理模块120具体用于为每个维度平均分配权重,得到第二权重。
可选的,处理模块120具体用于基于感知维度、认知维度、决策维度以及执行维度下的第一智能值的大小,计算出感知维度、认知维度、决策维度以及执行维度对应的第二权重,其中,每个第二权重的大小与对应的第一智能值的大小呈正线性相关关系。
可选的,处理模块120具体用于响应用户的配置操作,为每个维度分配与配置操作对应的所述第二权重。
本申请实施例所提供的机器人智能水平的测量装置100其实现原理及产生的技术效果和前述方法实施例相同,为简要描述,装置实施例部分未提及之处,可参考前述方法实施例中相应内容。
本申请实施例还提供了一种机器人200,如图4所示,机器人200包括机器人智能水平测量装置100,以及至少一个硬件模块210和/或至少一个软件模块220,以实现或者执行本申请实施例中公开的各方法、步骤及逻辑框图。
其中,上述机器人200,包括但不限于虚拟机器人、实体机器人等。
本申请实施例还提供了一种非易失性的计算机可读取存储介质(以下简称存储介质),该存储介质上存储有计算机程序,该计算机程序被计算机如上述的机器人200运行时,执行上述所示的机器人智能水平的测量方法。
需要说明的是,本说明书中的各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似的部分互相参见即可。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,附图中的流程图和框图显示了根据本申请的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
另外,在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块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,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个计算机可读存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,笔记本电脑,服务器,或者电子设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的计算机可读存储介质包括:U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应所述以权利要求的保护范围为准。
Claims (10)
1.一种机器人智能水平的测量方法,其特征在于,所述方法包括:
获取机器人在感知维度、认知维度、决策维度以及执行维度下的多个要素指标对应的多个第一评价值;一个所述第一评价值表征与其对应的要素指标的智能水平;
根据所述第一评价值以及各个要素指标对应的第一权重,分别计算出在所述感知维度、所述认知维度、所述决策维度以及所述执行维度的第一智能值,其中,同一维度下的每个要素指标对应的所述第一权重之和为1,每个所述第一权重不小于0且小于1,所述第一智能值用于反映所述机器人在相应维度的智能水平;
根据所述感知维度、所述认知维度、所述决策维度以及所述执行维度的所述第一智能值及各个维度对应的第二权重,计算出表征所述机器人的综合智能水平的第二智能值,其中,每个维度对应的所述第二权重之和为1,每个所述第二权重不小于0且小于1;
其中,得到所述第一权重,包括:对每个所述第一评价值进行归一化处理,得到第二评价值;利用多个所述第二评价值,构建第一矩阵,其中,所述第一矩阵中的元素表示在所述感知维度、所述认知维度、所述决策维度以及所述执行维度中任一维度下第j个要素指标的所述第二评价值,其中,/>,/>,/>和/>均为自然数,n为在所述感知维度、所述认知维度、所述决策维度以及所述执行维度中任一维度下的要素指标总数量;分别计算所述感知维度、所述认知维度、所述决策维度以及所述执行维度下第j个要素指标在相应维度下的评价比重/>;基于每个所述评价比重/>,分别计算出所述感知维度、所述认知维度、所述决策维度以及所述执行维度下的第j个要素指标的熵值/>,一个所述熵值/>用于反映与其对应的要素指标在相应维度下的智能贡献程度;同一维度下的要素指标对应的所述熵值/>与该要素指标对相应维度的影响力呈负相关;利用熵权法对所述熵值/>进行计算,得到所述第一权重;所述第一矩阵中同一行中的所述第二评价值/>代表同一维度下不同要素指标对应的所述第二评价值,分别计算所述感知维度、所述认知维度、所述决策维度以及所述执行维度下第j个要素指标在相应维度下的评价比重,包括:计算所述第一矩阵中多行/>-/>之和,分别得到所述感知维度、所述认知维度、所述决策维度以及所述执行维度下所有所述第二评价值之和/>;计算每个维度下第j个第二评价值/>与对应维度下的/>之间的比值,得到所述感知维度、所述认知维度、所述决策维度以及所述执行维度下第j个要素指标在相应维度下的评价比重/>。
2.根据权利要求1所述的方法,其特征在于,利用熵权法对所述熵值进行计算,得到所述第一权重,包括:
计算最大熵值与每个维度下各个要素指标对应的所述熵值之差,得到多个第一差值;
将多个所述第一差值进行归一化处理,得到每个维度下各个要素指标对应的所述第一权重,同一维度下的每个要素指标对应的所述第一权重之和为1,每个所述第一权重不小于0且小于1。
3.根据权利要求1所述的方法,其特征在于,所述方法还包括:
为同一维度下的每个要素指标平均分配权重,得到所述第一权重。
4.根据权利要求1所述的方法,其特征在于,所述方法还包括:
响应用户的配置操作,为每个要素指标分配与所述配置操作对应的所述第一权重。
5.根据权利要求1所述的方法,其特征在于,所述方法还包括:
为每个维度平均分配权重,得到所述第二权重。
6.根据权利要求1所述的方法,其特征在于,所述方法还包括:
基于所述感知维度、所述认知维度、所述决策维度以及所述执行维度下的所述第一智能值的大小,计算出所述感知维度、所述认知维度、所述决策维度以及所述执行维度对应的所述第二权重,其中,每个所述第二权重的大小与对应的第一智能值的大小呈正线性相关关系。
7.根据权利要求1所述的方法,其特征在于,所述方法还包括:
响应用户的配置操作,为每个维度分配与所述配置操作对应的所述第二权重。
8.一种机器人智能水平的测量装置,其特征在于,所述装置包括:
获取模块,用于获取机器人在感知维度、认知维度、决策维度以及执行维度下的多个要素指标对应的多个第一评价值;一个所述第一评价值表征与其对应的要素指标的智能水平;
处理模块,用于根据所述第一评价值以及预先配置的第一权重,分别计算出在所述感知维度、所述认知维度、所述决策维度以及所述执行维度的第一智能值,其中,同一维度下的每个要素指标对应的所述第一权重之和为1,每个所述第一权重不小于0且小于1,所述第一智能值用于反映所述机器人在相应维度的智能水平;根据所述感知维度、所述认知维度、所述决策维度以及所述执行维度下的所述第一智能值及预先配置的第二权重,计算出表征所述机器人的综合智能水平的第二智能值;
其中,得到所述第一权重,包括:对每个所述第一评价值进行归一化处理,得到第二评价值;利用多个所述第二评价值,构建第一矩阵,其中,所述第一矩阵中的元素表示在所述感知维度、所述认知维度、所述决策维度以及所述执行维度中任一维度下第j个要素指标的所述第二评价值,其中,/>,/>,/>和/>均为自然数,n为在所述感知维度、所述认知维度、所述决策维度以及所述执行维度中任一维度下的要素指标总数量;分别计算所述感知维度、所述认知维度、所述决策维度以及所述执行维度下第j个要素指标在相应维度下的评价比重/>;基于每个所述评价比重/>,分别计算出所述感知维度、所述认知维度、所述决策维度以及所述执行维度下的第j个要素指标的熵值/>,一个所述熵值/>用于反映与其对应的要素指标在相应维度下的智能贡献程度;同一维度下的要素指标对应的所述熵值/>与该要素指标对相应维度的影响力呈负相关;利用熵权法对所述熵值/>进行计算,得到所述第一权重;所述第一矩阵中同一行中的所述第二评价值/>代表同一维度下不同要素指标对应的所述第二评价值,分别计算所述感知维度、所述认知维度、所述决策维度以及所述执行维度下第j个要素指标在相应维度下的评价比重,包括:计算所述第一矩阵中多行/>-/>之和,分别得到所述感知维度、所述认知维度、所述决策维度以及所述执行维度下所有所述第二评价值之和/>;计算每个维度下第j个第二评价值/>与对应维度下的/>之间的比值,得到所述感知维度、所述认知维度、所述决策维度以及所述执行维度下第j个要素指标在相应维度下的评价比重/>。
9.一种机器人,其特征在于,所述机器人包含如权利要求8所述的机器人智能水平测量装置,以及至少一个硬件模块和/或至少一个软件模块,所述至少一个硬件模块和/或至少一个软件模块用于实现如权利要求1-7任一项所述方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行使实现如权利要求1-7任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311175911.3A CN116922397B (zh) | 2023-09-13 | 2023-09-13 | 机器人智能水平的测量方法、装置、机器人及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311175911.3A CN116922397B (zh) | 2023-09-13 | 2023-09-13 | 机器人智能水平的测量方法、装置、机器人及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116922397A CN116922397A (zh) | 2023-10-24 |
CN116922397B true CN116922397B (zh) | 2023-11-28 |
Family
ID=88382819
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311175911.3A Active CN116922397B (zh) | 2023-09-13 | 2023-09-13 | 机器人智能水平的测量方法、装置、机器人及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116922397B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20180047391A (ko) * | 2016-10-31 | 2018-05-10 | 한국생산기술연구원 | 학습 로봇, 그리고 이를 이용한 작업 솜씨 학습 방법 |
CN109960148A (zh) * | 2019-03-20 | 2019-07-02 | 中国科学院软件研究所 | 一种智能无人系统的自主性评估方法及系统 |
CN111754110A (zh) * | 2020-06-23 | 2020-10-09 | 平安科技(深圳)有限公司 | 基于人工智能的经营指标评价方法、装置、设备及介质 |
EP3733355A1 (en) * | 2019-05-01 | 2020-11-04 | Arrival Limited | Robot motion optimization system and method |
WO2021027845A1 (zh) * | 2019-08-12 | 2021-02-18 | 深圳忆海原识科技有限公司 | 一种类脑决策与运动控制系统 |
CN113869571A (zh) * | 2021-09-22 | 2021-12-31 | 国网天津市电力公司电力科学研究院 | 一种基于异构数据的智慧能源建筑综合信息物理融合方法 |
CN114491940A (zh) * | 2021-12-22 | 2022-05-13 | 武汉理工大学 | 船舶智能航行功能测试评价方法、系统、装置及存储介质 |
KR20220126303A (ko) * | 2021-03-08 | 2022-09-16 | 주식회사 피엠씨지 | 지식 기반 지능형 시설 자산 관리 시스템 |
CN115648204A (zh) * | 2022-09-26 | 2023-01-31 | 吉林大学 | 智能决策模型的训练方法、装置、设备以及存储介质 |
CN116166513A (zh) * | 2023-01-30 | 2023-05-26 | 浪潮卓数大数据产业发展有限公司 | 一种针对数据库性能测试的评价方法、设备及存储介质 |
CN116402143A (zh) * | 2023-03-27 | 2023-07-07 | 中国船舶集团有限公司第七〇八研究所 | 一种智能船舶指标体系构建与评价方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2249292A1 (en) * | 2009-04-03 | 2010-11-10 | Siemens Aktiengesellschaft | Decision making mechanism, method, module, and robot configured to decide on at least one prospective action of the robot |
US9463571B2 (en) * | 2013-11-01 | 2016-10-11 | Brian Corporation | Apparatus and methods for online training of robots |
US10832673B2 (en) * | 2018-07-13 | 2020-11-10 | International Business Machines Corporation | Smart speaker device with cognitive sound analysis and response |
-
2023
- 2023-09-13 CN CN202311175911.3A patent/CN116922397B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20180047391A (ko) * | 2016-10-31 | 2018-05-10 | 한국생산기술연구원 | 학습 로봇, 그리고 이를 이용한 작업 솜씨 학습 방법 |
CN109960148A (zh) * | 2019-03-20 | 2019-07-02 | 中国科学院软件研究所 | 一种智能无人系统的自主性评估方法及系统 |
EP3733355A1 (en) * | 2019-05-01 | 2020-11-04 | Arrival Limited | Robot motion optimization system and method |
WO2021027845A1 (zh) * | 2019-08-12 | 2021-02-18 | 深圳忆海原识科技有限公司 | 一种类脑决策与运动控制系统 |
CN111754110A (zh) * | 2020-06-23 | 2020-10-09 | 平安科技(深圳)有限公司 | 基于人工智能的经营指标评价方法、装置、设备及介质 |
KR20220126303A (ko) * | 2021-03-08 | 2022-09-16 | 주식회사 피엠씨지 | 지식 기반 지능형 시설 자산 관리 시스템 |
CN113869571A (zh) * | 2021-09-22 | 2021-12-31 | 国网天津市电力公司电力科学研究院 | 一种基于异构数据的智慧能源建筑综合信息物理融合方法 |
CN114491940A (zh) * | 2021-12-22 | 2022-05-13 | 武汉理工大学 | 船舶智能航行功能测试评价方法、系统、装置及存储介质 |
CN115648204A (zh) * | 2022-09-26 | 2023-01-31 | 吉林大学 | 智能决策模型的训练方法、装置、设备以及存储介质 |
CN116166513A (zh) * | 2023-01-30 | 2023-05-26 | 浪潮卓数大数据产业发展有限公司 | 一种针对数据库性能测试的评价方法、设备及存储介质 |
CN116402143A (zh) * | 2023-03-27 | 2023-07-07 | 中国船舶集团有限公司第七〇八研究所 | 一种智能船舶指标体系构建与评价方法 |
Non-Patent Citations (1)
Title |
---|
公交调度智能化水平评价指标体系构建;陈维亚;陈鑫;章雍;方晓平;;科技管理研究(第16期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116922397A (zh) | 2023-10-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Raghunathan | A refinement of the entropy measure of firm diversification: Toward definitional and computational accuracy | |
JP6546180B2 (ja) | ネットワークサブジェクトの社会的関係タイプの取得 | |
CN110414550B (zh) | 人脸识别模型的训练方法、装置、系统和计算机可读介质 | |
CN108628967B (zh) | 一种基于学习生成网络相似度的网络学习群组划分方法 | |
CN106485585A (zh) | 用于等级评定的方法及系统 | |
Kurz-Milcke et al. | Heuristic decision making | |
CN110650153A (zh) | 一种基于聚焦损失深度神经网络的工控网络入侵检测方法 | |
KR20180041727A (ko) | 신용점수 모델 훈련 방법,신용 점수 계산 방법,장치 및 서버 | |
WO2018006631A1 (zh) | 一种用户等级自动划分方法及系统 | |
CN112966189A (zh) | 一种基金产品推荐系统 | |
CN116922397B (zh) | 机器人智能水平的测量方法、装置、机器人及存储介质 | |
CN110659767A (zh) | 一种基于lstm-cnn深度学习模型的股票趋势预测方法 | |
CN112215473A (zh) | 一种配送压力数据的获得方法、装置、电子设备 | |
Roszkowska | The extention rank ordering criteria weighting methods in fuzzy enviroment | |
CN113256422B (zh) | 分仓账户识别方法、装置、计算机设备和存储介质 | |
CN114529176A (zh) | 用于招商引资的企业多维度评价方法及系统 | |
CN113868597A (zh) | 一种用于年龄估计的回归公平性度量方法 | |
CN112819232A (zh) | 一种基于打卡数据的人流量特征预测方法及装置 | |
Evans et al. | Single and multi-objective parameter estimation of a military personnel system via simulation optimization | |
CN110879723B (zh) | 基于Pareto最优集的软件服务价值的客观评测方法及装置 | |
Bundala | Homo-Hetero Pairing Regression Model: An Econometric Predictive Model of Homo Paired Data | |
CN117809807B (zh) | 基于交互平台的视觉训练方法、系统及存储介质 | |
CN110162747A (zh) | 一种基于特征的预处理及推荐方法 | |
CN109684458A (zh) | 一种语句向量的计算方法及装置 | |
Widodo et al. | Model selection for time series forecasting using similarity measure |
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 |