本发明涉及元学习模型分析领域，具体涉及一种智能云综合评估元学习模型效能的方法、存储介质及电子设备。
背景技术：
1、客观现实世界是一个多参数、非线性、时变的不稳定系统，系统中的事物、概念、实体或现象等基本要素同时具备多种不确定性。其中，模糊性和随机性同时出现的情况较为常见，所以如果要研究事物的不确定性，就无法回避对这些事物的随机性和模糊性研究。
2、元学习(meta learing)，即学会如何学习(learing to learn)，获取特定任务的传统的机器学习研究模式是习理论中的重要研究分支明显，这和人类利收据集从头开始训练模型。仅仅通过少量样本就迅速完成学习的情况相差甚远。一个解释是，人类的学习能力强，学会如何去学习。因此，元学习的目标是，让模型学习到这样的能力。所谓学习，就是经大型数据集不断优化模型，使模型在该大型数据集上具有较小的误差，即收敛到一个理想的结果上。
3、元学习就是学习模型学习或者优化的过程。元学习是系统地观察不同的机器学习方法如何在广泛的学习任务中被执行，然后从这种经验或元数据中学习，以比其他方式更快地学习新任务的科学。这极大地加速和改进了智能模型，如机器学习优化流程或神经网络结构的设计，还使我们能够用数据驱动方式学习的新方法取代手工设计算法。但是，基于元学习模型的效能评估，存在评估精度不高的问题。
4、因此，亟需一种智能云综合评估元学习模型效能的方法，来解决元学习模型效能评估的问题。
技术实现思路
1、本发明针对现有技术中的不足，提供一种智能云综合评估元学习模型效能的方法、存储介质及电子设备，以解决元学习模型效能评估的问题。
2、为实现上述目的，本发明采用以下技术方案：
3、一种智能云综合评估元学习模型效能的方法，其特征在于，包括如下步骤：
4、元学习模型在任务中，抑制不关注部分，并利用元学习模型存储的元信息数据进行与输入数据相关的关联规则分析，之后，将元信息数据按照关联规则强弱顺序排序，以完成智能云数据的预处理；再采用基于云模型的综合效能评估方法对排序后的元信息数据进行集合数据的评估。
5、为优化上述技术方案，采取的具体措施还包括：
6、进一步地，所述利用元学习模型存储的元信息数据进行与输入数据相关的关联规则分析，包括如下步骤：
7、依据系统指标设定关联规则，利用云服务产生的日志数据，在神经网络中确认在同一分钟内超过2次重复出现的元信息数据的节点均判定为并发频繁模式的节点，将该节点与输入数据存在关联关系的监测数据及运行健康状况标记为强关联；
8、利用云服务产生的日志数据，在神经网络中确认在同一分钟内不超过2次出现或在非同一分钟内不超过2次出现的元信息数据的节点均判定为简单模式的节点，该节点与输入数据存在关联关系的监测数据及运行健康状况标记为弱关联；
9、然后，根据关联规则中的强关联和弱关联进行分组，并以元信息数据单位时间内出现的频次对元信息数据进行排序。
10、进一步地，所述采用基于云模型的综合效能评估方法对排序后的元信息数据进行集合数据的评估，包括如下步骤：
11、获取排序后的元信息数据，根据排序结果由强至弱逐次有序的基于云模型进行效能评估，运用云模型来描述定性指标，依据系统指标分组后的强关联和弱关联，导出系统指标的多维加权综合云的重心表示，用加权偏离度来衡量云重心的改变并激活云发生器，从而给出评估对象的评估值，以进行综合评估元学习模型的效能。
12、进一步地，所述运用云模型来描述定性指标，包括如下步骤：
13、构建云模型对排序后的元信息数据按照最细的颗粒度进行网格化划分成云滴，以云滴为最小数据单位，通过云滴实现对定性概念的定量描述，以进行效能评估。
14、进一步地，所述依据系统指标分组后的强关联和弱关联，导出系统指标的多维加权综合云的重心表示，用加权偏离度来衡量云重心的改变并激活云发生器，从而给出评估对象的评估值，包括如下步骤：
15、基于云模型预设三个要素集：指标集(u)、权重集(w)、评估集(v)，将排序后的元信息数据划分成云滴后划入指标集(u)中，将指标集(u)与权重集(w)进行计算，得到指标对应的云重心，用加权偏离度来衡量云重心的改变，激活云发生器给出评估对象的评估值。
16、进一步地，权重集(w)中包含强关联和弱关联对应的监测数据及运行健康状况的预设权重。
17、进一步地，一种计算机可读存储介质，存储有计算机程序，其特征在于：所述计算机程序使计算机执行如上述的一种智能云综合评估元学习模型效能的方法。
18、进一步地，一种电子设备，其特征在于，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行计算机程序时，实现如上述的一种智能云综合评估元学习模型效能的方法。
19、本发明的有益效果是：
20、本发明创新性的结合关联规则进行排序和分析，首先利用元学习模型存储的元信息数据进行与输入数据相关的关联规则分析，再按照关联规则强弱顺序，之后再有序的采用基于云模型的综合效能评估方法进行集合数据的评估。通过优先筛选关联强的数据，再对应权重进行综合评估元学习模型的效能，从而获得更加准确的智能推送信息。
1.一种智能云综合评估元学习模型效能的方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种智能云综合评估元学习模型效能的方法，其特征在于，所述利用元学习模型存储的元信息数据进行与输入数据相关的关联规则分析，包括如下步骤：
3.根据权利要求2所述的一种智能云综合评估元学习模型效能的方法，其特征在于，所述采用基于云模型的综合效能评估方法对排序后的元信息数据进行集合数据的评估，包括如下步骤：
4.根据权利要求3所述的一种智能云综合评估元学习模型效能的方法，其特征在于，所述运用云模型来描述定性指标，包括如下步骤：
5.根据权利要求4所述的一种智能云综合评估元学习模型效能的方法，其特征在于，所述依据系统指标分组后的强关联和弱关联，导出系统指标的多维加权综合云的重心表示，用加权偏离度来衡量云重心的改变并激活云发生器，从而给出评估对象的评估值，包括如下步骤：基于云模型预设三个要素集：指标集(u)、权重集(w)、评估集(v)，将排序后的元信息数据划分成云滴后划入指标集(u)中，将指标集(u)与权重集(w)进行计算，得到指标对应的云重心，用加权偏离度来衡量云重心的改变，激活云发生器给出评估对象的评估值。
6.根据权利要求5所述的一种智能云综合评估元学习模型效能的方法，其特征在于：权重集(w)中包含强关联和弱关联对应的监测数据及运行健康状况的预设权重。
7.一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序使计算机执行如权利要求1-6任一项所述的一种智能云综合评估元学习模型效能的方法。
8.一种电子设备，其特征在于，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行计算机程序时，实现如权利要求1-6任一项所述的一种智能云综合评估元学习模型效能的方法。
