确定动态系统的未来的系统特性的方法以及具有程序代码装置的计算机程序和计算机程序产制造方法及图纸

在本发明专利技术中，在应用动态系统的已知的系统特性的情况下，通过相似性比较确定未来的系统特性的近似（“相似性分析”）。随后，在应用动态系统的未来的系统特性的近似的情况下和在应用神经网络结构、尤其是因果－反向因果网络的情况下，确定未来的系统特性（“因果性分析”）。

Method for determining future system characteristics of a dynamic system and computer program and computer program having the program code device

In the present invention, the approximate (similarity analysis) of the future system characteristics is determined by similarity comparison in the case of applying known system characteristics of the dynamic system. Then, the system characteristics of the future application of the dynamic system approximation and application in neural network structure, especially the causal backward causal network situation, determine the system characteristics of the future (\causality analysis\).

【技术实现步骤摘要】
【国外来华专利技术】
本专利技术涉及一种用于确定动态系统的未来的系统特性的方法、以及具有程序代码装置(Mittel)的计算机程序和计算机程序产品。从中公知，为了描述和模拟动态系统或动态过程和该动态过程的过程特性而采用神经元结构、例如神经网络。一般，通过对于动态过程的观察者是不可见的状态过渡描述和描述技术动态过程的可观察的量的输出方程来描述动态系统或动态过程。图2中示出了动态过程的这种过程特性。动态过程200或动态过程在其中进行的动态系统200经受可预定维数(Dimension)的外部输入量u的影响，其中，用ut来表示时刻t的输入量utut∈R1，其中，用1表示自然数。时刻t的输入量ut引起了动态过程的变化。时刻t的可预定维数m的内部状态st(st∈Rm)对于动态系统200的观察者是不可见的。与内部状态st和输入量ut有关地，引起了动态过程的内部状态st的状态过渡，并且动态过程的状态过渡到随后的时刻t+1的后续状态st+1。在此适用st+1＝f(st，ut).(1)其中，用f(.)表示一般的映射规则(Abbildungsvorschrift)。时刻t的由动态系统200的观察者可见的输出量yt与输入量ut以及内部状态st有关。输出量yt(yt∈Rn)具有可预定的维数n。输出量yt与输入量ut和动态过程的内部状态st的关系通过以下一般的规则来给出yt＝g(st)， (2)其中，用g(.)表示一般的映射规则。为了描述动态系统200，在中以互相连接的神经元的神经网络的形式采用由互相连接的计算元件组成的神经元结构。加权神经网络的神经元之间的连接。神经网络的权重被包括在参数矢量v中。因此，根据以下的规则，经受动态过程的动态系统的内部状态与输入量ut和过去的时刻的内部状态st和参数矢量v有关st+1＝NN(v，st，ut)，(3)其中，用NN(.)表示由神经网络预定的映射规则。根据关系式(3)来描述动态系统200也被称为“预测方法(Forecast Approach)”。替代于此地也可以通过下式来描述动态系统st＝f(st-1，ut) (1`)与st＝NN(v，st-1，ut) (3`)这称为“一致性方法(Consistency Approach)”。“预测方法”和“一致性方法”导致各自的网络结构方面的微小的结构差别，但是这两种方法对于动态系统是等价的、可替换地应用的描述形式。从中公知一种用于描述动态系统200的其它的神经元结构、即被称为时延递归神经网络(TDRNN，Time Delay Recurrent NeuralNetwork)的神经网络。该公知的TDRNN在图5中被示为经过有限数量的时刻(示出了5个时刻t-4，t-3，t-2，t-1，t)展开的神经网络500。图5中示出的神经网络500具有带有五个子输入层521、522、523、524和525的输入层501，这五个子输入层分别含有可预定数量的输入计算元件，给这些输入计算元件可施加可预定的时刻t-4、t-3、t-2、t-1和t的输入量ut-4、ut-3、ut-2、ut-1和ut，也就是可施加下面说明的具有预定时间步长(Zeitschrit)的时间系列值(Zeitreihenwert)。输入计算元件、也就是输入神经元通过可变的连接与可预定数量的隐藏层505(示出了5个隐藏层)的神经元相连接。在此，第一隐藏层531、第二隐藏层532、第三隐藏层533、第四隐藏层534和第五隐藏层535的神经元分别与第一子输入层521、第二子输入层522、第三子输入层523、第四子输入层524和第五子输入层525的神经元相连接。在第一隐藏层531、第二隐藏层532、第三隐藏层533、第四隐藏层534和第五隐藏层535分别与第一子输入层521、第二子输入层522、第三子输入层523、第四子输入层524和第五子输入层525之间的连接分别是相同的。所有连接的权重分别被包含在第一连接矩阵B1中。此外，根据由第二连接矩阵A1给出的结构，第一隐藏层531的神经元利用其输出与第二隐藏层532的神经元的输入相连接。根据由第二连接矩阵A1给出的结构，第二隐藏层532的神经元利用其输出与第三隐藏层533的神经元的输入相连接。根据由第二连接矩阵A1给出的结构，第三隐藏层533的神经元利用其输出与第四隐藏层534的神经元的输入相连接。根据由第二连接矩阵A1给出的结构，第四隐藏层534的神经元利用其输出与第五隐藏层535的神经元的输入相连接。在这些隐藏层、即第一隐藏层531、第二隐藏层532、第三隐藏层533、第四隐藏层534和第五隐藏层535中，在五个相继的时刻t-4、t-3、t-2、t-1和t上，分别代表了由TDRNN所描述的动态过程的“内部”状态或者“内部”系统状态st-4、st-3、st-2、st-1和st。各个层中的下标中的数据分别说明了在各个层的输出上可量取或可输送的信号(ut-4，ut-3，ut-2，ut-1，ut)分别涉及的时刻t-4、t-3、t-2、t-1和t。输出层520具有五个子输出层，即第一子输出层541、第二子输出层542、第三子输出层543、第四子输出层544以及第五子输出层545。根据由输出连接矩阵C1给出的结构，第一子输出层541的神经元与第一隐藏层531的神经元相连接。根据由输出连接矩阵C1给出的结构，第二子输出层542的神经元与第二隐藏层532的神经元相连接。根据输出连接矩阵C1，第三子输出层543的神经元与第三隐藏层533的神经元相连接。根据输出连接矩阵C1，第四子输出层544的神经元与第四隐藏层534的神经元相连接。根据输出连接矩阵C1，第五子输出层545的神经元与第五隐藏层535的神经元相连接。在子输出层541、542、543、544和545的神经元上，可以量取针对各时刻t-4、t-3、t-2、t-1、t的输出量(yt-4，yt-3，yt-2，yt-1，yt)。神经网络中的等效连接矩阵在各个时刻具有相同值的基本定理被称为所谓的共享权重值(Shared Weight)的原理。在训练阶段这样来训练从中公知的和被称为时延递归神经网络(TDRNN)的装置，使得对于输入量ut分别确定实际的动态系统上的目标量ydt。该元组(输入量、所确定的目标量)被称为训练数据。多个这种训练数据形成了训练数据组。在此，训练数据组的时刻(t-4，t-3，t-3，...)的在时间上相继的元组(ut-4，ydt-4)、(ut-3，ydt-3)、(ut-2，ydt-2)分别具有预定的时间步长。利用训练数据组来训练TDRNN。同样在和中能找到关于不同的训练方法的概况。在此处要强调，仅仅可识别动态系统200的时刻t-4、t-3、...、t的输出量yt-4、yt-3、...、yt。“内部”系统状态st-4、st-3、...、st是不可见的。在训练阶段通常使以下的成本函数E最小化E=1TΣt=1T(yt-ytd)2→minf,g----(4)]]>其中，利用T来表示所考虑的时刻的数量。从和中公知从中公知的和被称为时延递归神经网络(TDRNN)的神经元结构的扩展方案。来自的扩展方案尤其适用于确定动态过程的未来的状态，这被称为“超调(overshoo本文档来自技高网...

【技术保护点】
用于确定动态系统的未来的系统特性的方法，－其中，在应用所述动态系统的已知的系统特性的情况下，通过相似性比较来确定所述未来的系统特性的近似（“相似性分析”），－其中，在应用所述动态系统的未来的系统特性的近似的情况下和在应用神经 网络结构的情况下，确定所述未来的系统特性（“因果性分析”），其中，将所述动态系统的未来的系统特性的近似作为输入量输送给所述神经网络结构，并且所述神经网络结构的输出量代表所述未来的系统特性。

【技术特征摘要】
【国外来华专利技术】...

【专利技术属性】
技术研发人员：R格罗特曼，C蒂茨，HG齐默曼，
申请(专利权)人：西门子公司，
类型：发明
国别省市：DE[德国]