本技术涉及数据处理，尤其涉及一种提高多模态输入鲁棒性的方法及装置。
背景技术：
1、随着信息技术的快速发展，多模态数据处理已成为许多领域的关键技术之一。多模态数据指的是来自不同信息源、具有不同表示形式的数据，如文本、图像、音频、视频等。在处理这类数据时，通常需要借助各种算法来提取有用信息，以支持决策制定、方案评估等任务。
2、为了提高多模态数据处理的鲁棒性，目前已经提出了一些方法。例如，通过数据清洗和预处理来减少噪声和不一致性；通过正则化、数据增强等技术来提高模型的泛化能力；以及通过集成学习等方法来结合多个模型的优点，提高整体性能。然而，这些方法大多只关注于单一模态或单一算法的处理，而忽略了多模态输入和多算法评价之间的关联性和相互影响。
3、因此，现有的多模态数据处理方法面临着一些挑战。首先，不同的算法在先决条件、输入参数、控制方式和输出参数要求上存在巨大差异，导致在使用不同算法对同一方案进行评价时，结果之间存在较大的差异。其次，多模态数据往往存在噪声、不一致性和缺失值等问题，这些问题影响算法的准确性和稳定性，进而影响到方案评价的可靠性。
技术实现思路
1、在本技术实施例中，通过提供一种提高多模态输入鲁棒性的方法，解决了由于多模态数据往往存在噪声、不一致性和缺失值等问题，影响算法的准确性和稳定性，进而影响到方案评价的可靠性的问题。
2、第一方面，本技术实施例提供了一种提高多模态输入鲁棒性的方法，该方法包括：收集与想定方案相关的多模态算法，获得多模态数据，从多模态数据中获得多个变量；其中，每个变量包括多个观测值；对每个变量中的观测值进行相关性分析；定义每个算法为一个粒子，并根据问题维度在解空间中随机生成每个算法的初始解和初始更新解的速率；进行算法更新步骤；所述进行算法更新步骤包括：计算每个算法的适应度值，根据算法的适应度值对当前个体最优解和全局最优解进行多次更新；在每次更新中，根据预设的高斯分布参数，生成两个高斯噪声样本，分别用于对算法的解和算法更新解的速率添加高斯扰动；对添加了高斯扰动后的算法更新解的速率进行更新，并对添加了高斯扰动后的算法的解进行更新，直至输出每个算法的最优解，从而完成算法更新步骤；构建鲁棒性预测模型；其中，所述鲁棒性预测模型包括输入层、特征映射层、卷积注意力模块、全连接层和输出层；将每个算法的最优解作为输入数据，通过输入层输入所述鲁棒性预测模型；在输出层输出一个n维向量，将所述n维向量的平均值作为鲁棒性预测值，用于评估多模态算法的鲁棒性。
3、在一种可能的实现方式中，所述对每个变量中的观测值进行相关性分析，包括：对每个变量中的观测值进行预处理，确保需要进行相关性分析的变量中的观测值的数量相等；对每个变量中的观测值进行排序，确定每个观测值在其所在变量中的排名，并计算两个变量中相同位置的每对观测值的排名差；根据公式计算相关系数；其中，为相关系数，为两个变量中相同位置的每对观测值的排名差的平方和，表示观测值的数量；根据相关系数判断两个变量的相关性。
4、在一种可能的实现方式中，所述根据相关系数判断两个变量的相关性，包括：创建一个行数和列数均等于变量的数量的矩阵；将每一对变量的相关性系数填充至矩阵中对应的行和列交叉点，获得相关性矩阵；判断相关性矩阵中的相关性系数是否大于预设阈值；若判断结果为是，将两个变量去除一个；若判断结果为否，将两个变量均保留。
5、在一种可能的实现方式中，所述在每次更新中，根据预设的高斯分布参数，生成两个高斯噪声样本，分别用于对算法的解和算法更新解的速率添加高斯扰动，包括：根据公式计算添加了高斯扰动后算法更新解的速率；其中，为添加了高斯扰动后的算法更新解的速率，为在当前时刻的算法更新解的速率，为第一高斯噪声样本；根据公式计算添加了高斯扰动后算法的解；其中，为添加了高斯扰动后算法的解，为在当前时刻算法的解，为第二高斯噪声样本。
6、在一种可能的实现方式中，所述对添加了高斯扰动后的算法更新解的速率进行更新，并对添加了高斯扰动后的算法的解进行更新，直至输出每个算法的最优解，从而完成算法更新步骤，包括：根据公式对添加了高斯扰动后的算法更新解的速率进行更新；其中，为在下一时刻算法更新解的速率，w为惯性权重，为当前个体最优解学习的加速项权值，为全局最优解学习的加速项权值，rand()为随机函数，为算法添加了高斯扰动后算法更新解的速率，p为当前个体最优解，g为全局最优解，为添加了高斯扰动后算法的解；根据公式对添加了高斯扰动后算法的解进行更新；其中，为在下一时刻算法的解，为添加了高斯扰动后算法的解，为在下一时刻算法更新解的速率；根据计算出的在下一时刻算法的解重新计算每个算法的当前适应度值；根据问题的性质，判断每个算法的当前适应度值是否满足预设的质量标准；若判断结果为是，停止执行算法更新步骤，输出每个算法的最优解；若判断结果为否，继续执行算法更新步骤。
7、在一种可能的实现方式中，在输出层输出一个n维向量之前，包括：在特征映射层中，模型对输入的最优解进行卷积、池化和relu激活操作，以提取和转换与鲁棒性相关的特征信息；其中，所述与鲁棒性相关的特征信息包括算法的最优解的数值分布特征、结构特征和相关性特征；通过卷积注意力模块对经过特征映射层处理的特征进行精细的权重调整，增强模型对重要特征的关注度；将经过卷积注意力模块处理后的特征输入到全连接层，通过全连接层进行高维映射，以进一步整合和提取与鲁棒性相关的特征信息。
8、在一种可能的实现方式中，所述方法还包括：若在当前所述仿真模型运行的过程中有其他所述仿真模型需要运行，判断其他所述仿真模型的优先级是否大于当前运行的所述仿真模型的优先级；若判断结果为否，继续运行当前所述仿真模型；若判断结果为是，立即停止当前所述仿真模型，运行其他所述仿真模型。
9、第二方面，本技术实施例提供了一种提高多模态输入鲁棒性的装置，该装置包括：获得变量模块，用于收集与想定方案相关的多模态算法，获得多模态数据，从多模态数据中获得多个变量；其中，每个变量包括多个观测值；相关性分析模块，用于对每个变量中的观测值进行相关性分析；定义模块，用于定义每个算法为一个粒子，并根据问题维度在解空间中随机生成每个算法的初始解和初始更新解的速率；进行算法更新模块，用于进行算法更新步骤；所述进行算法更新步骤包括：计算每个算法的适应度值，根据算法的适应度值对当前个体最优解和全局最优解进行多次更新；在每次更新中，根据预设的高斯分布参数，生成两个高斯噪声样本，分别用于对算法的解和算法更新解的速率添加高斯扰动；对添加了高斯扰动后的算法更新解的速率进行更新，并对添加了高斯扰动后的算法的解进行更新，直至输出每个算法的最优解，从而完成算法更新步骤；构建模块，用于构建鲁棒性预测模型；其中，所述鲁棒性预测模型包括输入层、特征映射层、卷积注意力模块、全连接层和输出层；输入模块，用于将每个算法的最优解作为输入数据，通过输入层输入所述鲁棒性预测模型；输出模块，用于在输出层输出一个n维向量，将所述n维向量的平均值作为鲁棒性预测值，用于评估多模态算法的鲁棒性。
10、第三方面，本技术实施例提供了一种提高多模态输入鲁棒性的服务器，包括存储器和处理器；所述存储器用于存储计算机可执行指令；所述处理器用于执行所述计算机可执行指令，以实现第一方面或第一方面任一种可能的实现方式所述的方法。
11、第四方面，本技术实施例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可执行指令，计算机执行所述可执行指令时能够实现第一方面或第一方面任一种可能的实现方式所述的方法。
12、本技术实施例中提供的一个或多个技术方案，至少具有如下技术效果：
13、本技术实施例提供了一种提高多模态输入鲁棒性的方法，该方法通过收集与想定方案相关的多模态算法，获得多模态数据，并从中获取多个变量，进而利用相关性分析，为算法更新提供了丰富且多样化的信息基础。通过定义每个算法为粒子并在解空间中随机生成初始解和更新速率有效地模拟了算法在解空间中的搜索过程。在算法更新步骤中，利用适应度值对个体最优解和全局最优解进行多次更新，确保了算法能够不断向更优解逼近。同时，通过引入高斯分布参数生成的高斯噪声样本，对算法的解和更新解的速率添加扰动，不仅增强了算法的搜索能力，还有助于避免陷入局部最优解。构建的鲁棒性预测模型，通过其独特的网络结构能够有效地从算法的最优解中提取关键特征，并在输出层生成一个n维向量。将n维向量的平均值作为鲁棒性预测值，不仅简化了评估过程，还能够全面反映算法的鲁棒性。通过该方法实施，可以显著提高多模态算法在处理复杂场景时的稳定性和可靠性，增强算法对噪声、异常值和数据分布变化的抵抗能力。同时，由于算法更新步骤中引入的随机性和扰动，该技术方案还具有一定的自适应性，能够根据不同的输入数据和场景进行灵活调整，从而实现更好的性能表现。解决了由于多模态数据往往存在噪声、不一致性和缺失值等问题，影响算法的准确性和稳定性，进而影响到方案评价的可靠性的问题。
1.一种提高多模态输入鲁棒性的方法，其特征在于，包括：
2.根据权利要求1所述的提高多模态输入鲁棒性的方法，其特征在于，所述对每个变量中的观测值进行相关性分析，包括：
3.根据权利要求2所述的提高多模态输入鲁棒性的方法，其特征在于，所述根据相关系数判断两个变量的相关性，包括：
4.根据权利要求1所述的提高多模态输入鲁棒性的方法，其特征在于，所述在每次更新中，根据预设的高斯分布参数，生成两个高斯噪声样本，分别用于对算法的解和算法更新解的速率添加高斯扰动，包括：
5.根据权利要求4所述的提高多模态输入鲁棒性的方法，其特征在于，所述对添加了高斯扰动后的算法更新解的速率进行更新，并对添加了高斯扰动后的算法的解进行更新，直至输出每个算法的最优解，从而完成算法更新步骤，包括：
6.根据权利要求1所述的提高多模态输入鲁棒性的方法，其特征在于，在输出层输出一个n维向量之前，包括：
7.一种提高多模态输入鲁棒性的装置，其特征在于，包括：
8.一种提高多模态输入鲁棒性的服务器，其特征在于，包括存储器和处理器；
9.一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可执行指令，计算机执行所述可执行指令时能够实现如权利要求1-6任一项所述的方法。
