多模态认知决策方法、系统、装置、设备及存储介质与流程

本申请涉及智能决策，尤其涉及一种多模态认知决策方法、系统、装置、计算机设备及存储介质。

背景技术：

1、在机器学习和数据挖掘领域，往往涉及到很多高维数据集，有时还包含大量的无关属性和冗余属性，这些属性会导致机器学习算法对于测试集的分类效果降低，影响各种预测系统在现实中的应用。因此，作为数据预处理阶段中的一个重要步骤，特征选择可以将属性集中的无关的冗余的属性删除，提取出与分类有很高的相关性的属性作为特征子集在下一步的分类中进行使用，最终提升机器学习算法的分类准确率和速度。

2、多模态多目标优化既属于多模态优化又属于多目标优化。多目标优化问题需要同时解决两个或多个的目标优化问题，通常不会得到单一的最优解。由于目标间存在一定的矛盾，因此用帕累托支配来衡量解的质量。解空间中的所有非支配解的集合，称为帕累托最优解集，而帕累托最优解集目标空间的映射，称为帕累托前沿。在多目标优化问题中，目标空间的一个目标函数值有且仅有一个决策空间的帕累托解与之对应。决策空间中的多个帕累托最优解集对应着目标空间中的同一个帕累托最优前沿。这个问题就是多模态多目标优化问题。多模态多目标进化算法就是为了解决上述问题而提出的，并且前人的研究也证明了算法在决策空间搜索等效的帕累托最优解集的有效性。因此，如何提高在多模态多目标场景中决策的预测准确性成为现在亟待解决的技术问题。

技术实现思路

1、本申请提供了一种多模态认知决策方法、系统、装置、计算机设备及存储介质，以提高在多模态多目标场景中决策的预测准确性。

2、第一方面，本申请提供了一种多模态认知决策方法，所述多模态认知决策方法包括：

3、通过预设特征提取模型提取目标数据的目标特征，并通过预设聚类算法对所述目标特征进行分类，确定所述目标特征的类型；

4、基于所述目标特征的类型，将所述目标特征送入对应的预设决策优化模型，生成目标决策；

5、通过终端设备执行所述目标决策并实现交互。

6、进一步地，通过预设特征提取模型提取目标数据的目标特征，包括：

7、将所述目标数据映射到高维特征空间，得到映射数据；

8、从所述映射数据中提取预设数量的初始特征向量；

9、对所述初始特征向量进行矢量计算，得到所述目标数据的矢量表达；

10、在所述高维特征空间中，根据所述矢量表达进行主元计算，得到所述目标特征。

11、进一步地，通过预设聚类算法对所述目标特征进行分类，确定所述目标特征的类型之前，包括：

12、基于预分类的特征类型，确定至少一个标准特征。

13、进一步地，通过预设聚类算法对所述目标特征进行分类，确定所述目标特征的类型之前，包括：

14、通过预设公式计算所述目标特征与所述标准特征的目标相似度；

15、将所述目标相似度不大于预设相似度阈值的所述目标特征确定为所述标准特征对应的特征类型。

16、进一步地，预设公式为

17、其中，d为所述目标相似度，k为所述初始特征向量的预设数量，tin为所述目标特征，tjn为所述标准特征。

18、进一步地，基于所述目标特征的类型，将所述目标特征送入对应的预设决策优化模型，生成目标决策，包括：

19、将所述目标相似度进行聚类后簇中心计算，得到小边缘值数据集；

20、根据所述小边缘值数据集对所述目标数据进行预测，生成目标决策。

21、第二方面，本申请还提供了一种多模态认知决策系统，所述多模态认知决策系统包括：

22、包括数据层、能力层和执行层；

23、所述数据层用于获取目标数据；

24、所述能力层用于提取所述目标数据的目标特征，通过预设运动分析算法、活动组织算法与预设聚类算法对所述目标特征分类，并通过决策优化算法生成目标决策；

25、所述执行层用于多终端交互并执行所述目标决策。

26、第三方面，本申请还提供了一种多模态认知决策装置，所述多模态认知决策装置包括：

27、特征分类模块，用于通过预设特征提取模型提取目标数据的目标特征，并通过预设聚类算法对所述目标特征进行分类，确定所述目标特征的类型；

28、决策生成模块，用于基于所述目标特征的类型，将所述目标特征送入对应的预设决策优化模型，生成目标决策；

29、决策执行模块，用于通过终端设备执行所述目标决策并实现交互。

30、第四方面，本申请还提供了一种计算机设备，所述计算机设备包括存储器和处理器；所述存储器用于存储计算机程序；所述处理器，用于执行所述计算机程序并在执行所述计算机程序时实现如上述的多模态认知决策方法。

31、第五方面，本申请还提供了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，所述计算机程序被处理器执行时使所述处理器实现如上述的多模态认知决策方法。

32、本申请公开了一种多模态认知决策方法、系统、装置、计算机设备及存储介质，所述多模态认知决策方法包括通过预设特征提取模型提取目标数据的目标特征，并通过预设聚类算法对所述目标特征进行分类，确定所述目标特征的类型；基于所述目标特征的类型，将所述目标特征送入对应的预设决策优化模型，生成目标决策；通过终端设备执行所述目标决策并实现交互。通过上述方式，本申请通过提取目标数据的目标特征，并通过预设聚类算法对目标特征分类，根据目标特征对应的类型送入不同的决策优化模型，生成对应的最优决策，提高了多决策的预测准确性，解决了当前在多模态多目标场景中决策的预测准确性低的技术问题。

技术特征：

1.一种多模态认知决策方法，其特征在于，所述多模态认知决策方法包括：

2.根据权利要求1所述的多模态认知决策方法，其特征在于，所述通过预设特征提取模型提取目标数据的目标特征，包括：

3.根据权利要求2所述的多模态认知决策方法，其特征在于，所述通过预设聚类算法对所述目标特征进行分类，确定所述目标特征的类型之前，包括：

4.根据权利要求2所述的多模态认知决策方法，其特征在于，所述通过预设聚类算法对所述目标特征进行分类，确定所述目标特征的类型之前，包括：

5.根据权利要求4所述的多模态认知决策方法，其特征在于，所述预设公式为

6.根据权利要求4所述的多模态认知决策方法，其特征在于，所述基于所述目标特征的类型，将所述目标特征送入对应的预设决策优化模型，生成目标决策，包括：

7.一种多模态认知决策系统，其特征在于，所述多模态认知决策系统包括数据层、能力层和执行层；

8.一种多模态认知决策装置，其特征在于，所述多模态认知决策装置包括：

9.一种计算机设备，其特征在于，所述计算机设备包括存储器和处理器；

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时使所述处理器实现如权利要求1至6中任一项所述的多模态认知决策方法。

技术总结
本申请涉及智能决策，公开了一种多模态认知决策方法、系统、装置、计算机设备及存储介质，所述多模态认知决策方法包括通过预设特征提取模型提取目标数据的目标特征，并通过预设聚类算法对所述目标特征进行分类，确定所述目标特征的类型；基于所述目标特征的类型，将所述目标特征送入对应的预设决策优化模型，生成目标决策；通过终端设备执行所述目标决策并实现交互。通过上述方式，本申请通过提取目标数据的目标特征，并通过预设聚类算法对目标特征分类，根据目标特征对应的类型送入不同的决策优化模型，生成对应的最优决策，提高了多决策的预测准确性，解决了当前在多模态多目标场景中决策的预测准确性低的技术问题。

技术研发人员：许阿义
受保护的技术使用者：厦门钛尚人工智能科技有限公司
技术研发日：
技术公布日：2024/1/14