用于机器学习的设备和计算机实现的方法技术

本发明专利技术涉及用于机器学习的设备和计算机实现的方法，其中提供（200）系统的输入量的测量组，其中根据所述输入量的测量组和根据具有再现核的希尔伯特空间中的单位球来定义优化问题，其中根据所述再现核定义所述单位球，其中确定（204）所述优化问题的解，所述解定义用于所述系统上测量的输入数据，其中根据所述输入数据在所述系统上检测（206）输出数据的测量，其中根据所述输入数据和所述输出数据的测量确定（212）训练输入数据和训练输出数据的对，其中根据所述对训练（214）所述系统的系统模型，并且其中根据所述系统模型确定（202）所述再现核。述再现核。述再现核。

【技术实现步骤摘要】
用于机器学习的设备和计算机实现的方法


[0001]本专利技术涉及用于机器学习的设备和计算机实现的方法。

技术介绍

[0002]用于机器学习的一种方案是使用统计尝试计划，其中从预给定的输入量中确定要测量的一组输入点，在系统上针对这组选定的输入点进行测量。根据在所述测量中测量的输出数据来学习系统模型，利用该系统模型还可以为不同于所述选定的输入数据的其他输入数据确定与所述系统的真实行为尽可能好地一致的输出数据。

技术实现思路

[0003]在下面的描述中，术语“输入量”表示用于系统的可以被测量的信号，例如发动机的转速或负载。测量是输入量的值的时间序列。输入量的值的多个测量称为输入量的测量组。可以设置多个输入量。术语“输出量”表示用于所述系统的同样可以被测量的信号，例如发动机的排放。输出量的值的多个测量称为输出量的测量组。在示例性系统中，输出量根据一个输入量或根据多个输入量而变化。
[0004]术语“输入数据”表示输入量的一次或多次赋值。术语“输出数据”表示输出量的一次或多次赋值。这些值是测量得到或任意选择的。这些值可以通过优化确定，可以将这些值在第二步骤中施加到所述系统，其中可以测量所属的输出量。因此，输入数据可以是输入量赋值的一个或多个时间序列。在一次测量中例如将发动机的转速序列和所述发动机的负载序列进行组合。一个测量组包括多个转速序列和多个负载序列，即多个测量。输入点通过输入量的赋值定义。可以通过测量或测量组来定义输入点。
[0005]根据独立权利要求的计算机实现的方法和设备使得可以特别有效地学习特别好的系统模型。
[0006]用于机器学习的计算机实现的方法规定，提供特别是动态或静态系统的输入量的测量组，其中根据所述输入量的测量组和根据具有再现核的希尔伯特空间中的单位球来定义优化问题，其中根据所述再现核定义所述单位球，其中确定所述优化问题的解，所述解定义用于所述系统上测量的输入数据，其中根据所述输入数据在所述系统上检测输出数据的测量，其中根据所述输入数据和所述输出数据的测量确定训练输入数据和训练输出数据的对，其中根据所述对训练所述系统的系统模型并且其中根据所述系统模型确定所述再现核。基于所述系统的输入量的测量来确定输入数据的设计，应当利用所述输入数据在所述系统上进行输出量的测量，所述测量定义所述输出数据。将用于训练所述系统模型（所述系统模型例如通过高斯过程定义）的训练数据确定为以这种方式确定的输入数据和由此在所述系统上测量的输出数据的对。所述优化问题的解提供了以下输入数据，所述输入数据相比其他输入数据以更大概率在所述系统的运行中出现。在基于此的训练中，针对所述输入数据减少了所述系统模型相对于所述系统所具有的不确定性。
[0007]优选地，根据训练输入数据和所述输入数据确定所述训练输入数据的并集。这使
得可以在训练中以迭代的方式使用所有先前的训练输入数据。
[0008]优选地，根据训练输出数据和所述输出数据的测量确定所述训练输出数据的并集。这使得可以在训练中以迭代的方式使用所有先前的训练输出数据。
[0009]优选地，以迭代的方式训练所述系统模型，其中在一次迭代中特别是仅使用来自该迭代先前的迭代的训练输入数据和训练输出数据的对来进行训练。由此使用新的训练数据更新所述系统模型和所述核。
[0010]可以通过用于所述系统的输入数据集来定义所述训练输入数据。这使得可以进行有效的训练。
[0011]优选地，所述训练输入数据通过空集或使用特别是从输入量的测量组中随机选择的训练输入数据来初始化。这使得可以以定义的状态执行第一次迭代。
[0012]可以通过所述系统的输出数据的测量集来定义所述训练输出数据。这使得可以成对地分配给输入数据集。
[0013]优选地，所述训练输出数据通过空集或使用特别是从输出量的测量组中随机选择的训练输出数据来初始化。这使得可以以定义的状态执行第一次迭代。
[0014]所述输入量中的至少一个可以代表传感器的信号。传感器信号是能够特别容易检测的。由此可以将使用对应的传感器信号对所述系统的操控确定为用于要执行的测量的输入数据的设计。
[0015]所述信号优选是照相机、雷达传感器、LiDAR传感器、超声传感器、位置传感器、运动传感器、废气传感器或空气质量传感器的信号。
[0016]所述输出数据的测量可以定义所述系统模型的输出变量，所述输出变量代表机器的操控量、传感器信号或运行状态。
[0017]优选地，根据所述操控量、所述传感器信号和/或所述运行状态来操控特别是部分自主的车辆或机器人的执行器。
[0018]用于机器学习的设备被构造为执行所述方法。
附图说明
[0019]其他有利的实施方式从下面的描述和附图中得出。在附图中：图1示出了用于机器学习的系统的示意图，图2示出了用于机器学习的方法中的步骤。
具体实施方式
[0020]在下文中示出了一种迭代主动学习方法，即代表性主动学习，其中从可能的输入数据中迭代地选择大量输入数据点，在这些输入数据点处对所述系统进行测量以获得输出数据点，这些输出数据点用于由系统模型学习输入数据点向输出数据点的分配。所描述的做法包括关于输入分布的知识，利用该知识改进所述学习方法的效率。最优值（即优化问题的解）表示在每次迭代中信息量最大的输入数据点和输出数据点，以减少关于所述系统模型的输出在所述系统的可能输入数据的相关范围中形成的不确定性。
[0021]在下面描述的用于代表性主动学习的方案中，在针对实验的初始设计进行了输出量测量之后，有效地改善了所述系统模型的质量，其中迭代地确定一批输入数据点和输出
数据点，一方面难以用瞬时的系统模型对这批输入数据点和输出数据点进行预测，并且另一方面这批输入数据点和输出数据点代表了输入数据点的估计分布。
[0022]以下方法基于系统y（x）的系统模型。该系统的输入数据x1，...，x
d
的特征是具有分布p
x
和密度的随机变量。对随机变量X确定系统模型的输出变量，在该示例中，该输出变量表征所述系统的标量输出数据y。
[0023]在统计尝试计划的学习步骤t中，将输入数据集的设计定义为系统y（x）的输入数据组x1，...，x
b
; x
i
∈R
d
，应当在所述尝试中为这些输入数据测量输出量。这意味着应当在所述尝试中在系统y（x）的所有可能位置中通过输入数据组x1，...，x
b
; x
i
∈R
d
定义的位置上进行测量，其中b是计划的测量点的数量，而d是输入变量的维数。系统模型在学习步骤t中根据输入数据集定义关于输出数据的假设测量的概率分布，所述输出数据可以在所述尝试中被测量。
[0024]在图1中示意性地示出了用于机器学习的设备100。设备100包括至少一个计算装置102和至少一个存储器104。在该示例中，设备100被构造为检测至少一个传感器106的信号的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.用于机器学习的计算机实现的方法，其特征在于，提供系统的输入量的测量组，其中根据所述输入量的测量组和根据具有再现核的希尔伯特空间中的单位球来定义优化问题，其中根据所述再现核定义所述单位球，其中确定（204）所述优化问题的解，所述解定义用于所述系统上测量的输入数据，其中根据所述输入数据在所述系统上检测（206）输出数据的测量，其中根据所述输入数据和所述输出数据的测量确定（212）训练输入数据和训练输出数据的对，其中根据所述对训练（214）所述系统的系统模型，并且其中根据所述系统模型确定（202）所述再现核。2.根据权利要求1所述的方法，其特征在于，根据训练输入数据和所述输入数据确定（208）所述训练输入数据的并集。3.根据前述权利要求中任一项所述的方法，其特征在于，根据训练输出数据和所述输出数据的测量确定（210）所述训练输出数据的并集。4.根据前述权利要求中任一项所述的方法，其特征在于，以迭代的方式训练所述系统模型，其中在一次迭代中特别是仅使用来自该迭代和先前迭代的训练输入数据和训练输出数据的对来进行训练（214）。5.根据前述权利要求中的任一项所述的方法，其特征在于，通过用于所述系统的输入数据集来定义所述训练输入数据。6.根据权利要求5所述的方法，其特征在于，所述训练输入数据通过空集或使用特别是从输入量的测量组中...

【专利技术属性】
技术研发人员：M，
申请(专利权)人：罗伯特，
类型：发明
国别省市：