【技术实现步骤摘要】
用于自动编码器产生的遗传算法和优化训练器的协作使用
本申请涉及自动化模型构建；确切地说，涉及产生和训练自动编码器的自动化模型构建系统和方法。
技术介绍
计算机通常用于解决复杂的定量和质量问题。对于涉及较大数据集的问题，可以雇佣专门训练的专业人士，已知为数据科学家。数据科学家解译数据集并且构建可以由计算机处理的模型以解决问题。然而，雇佣数据科学家对于许多组织来说是成本过高的。对于某些类型的问题，高级机器学习技术可以是可供使用的以研发模型，例如神经网络，所述模型与将由数据科学家创建的模型相比在精确度上是相当的。然而，此类机器学习技术可以需要大量迭代汇聚在可接受的神经网络上，并且因此，可以使用显著的计算资源来产生和训练神经网络。
技术实现思路
本专利技术描述了协作地使用遗传算法和选择性优化训练以产生和训练自动编码器以针对反常操作状态监测一或多个装置的自动化模型构建系统和方法。如本文中所述的组合遗传算法与选择性优化训练使得能够产生能够在所监测的装置的故障之前显著地检测反常操作的自动编码器，并且遗传算法和优...
【技术保护点】
1.一种计算机系统，其包括：/n存储器，其经配置以存储表示一或多个装置的第一操作状态的第一数据、表示所述一或多个装置的第二操作状态的第二数据，以及表示多个自动编码器的多个数据结构；/n处理器，其经配置以执行递归搜索，其中执行所述递归搜索包括在第一次迭代期间：/n确定用于所述多个自动编码器的适应度值，其中特定自动编码器的适应度值是基于响应于所述第一数据的所述特定自动编码器的重新构建误差的；/n基于所述自动编码器的子集的所述适应度值从所述多个自动编码器中选择自动编码器的子集；/n对所述自动编码器的子集中的至少一个自动编码器执行至少一个演化操作以产生可训练自动编码器；以及/n将所...
【技术特征摘要】
20191217 US 16/716,8501.一种计算机系统，其包括：
存储器，其经配置以存储表示一或多个装置的第一操作状态的第一数据、表示所述一或多个装置的第二操作状态的第二数据，以及表示多个自动编码器的多个数据结构；
处理器，其经配置以执行递归搜索，其中执行所述递归搜索包括在第一次迭代期间：
确定用于所述多个自动编码器的适应度值，其中特定自动编码器的适应度值是基于响应于所述第一数据的所述特定自动编码器的重新构建误差的；
基于所述自动编码器的子集的所述适应度值从所述多个自动编码器中选择自动编码器的子集；
对所述自动编码器的子集中的至少一个自动编码器执行至少一个演化操作以产生可训练自动编码器；以及
将所述可训练自动编码器提供到优化训练器，所述优化训练器经配置以：
训练所述可训练自动编码器以减小损失函数值以产生经训练的自动编码器，
其中所述损失函数值是基于响应于所述第二数据的所述可训练自动编码器的重新构建误差的；以及
将所述经训练的自动编码器作为输入提供到在所述第一次迭代之后的所述递归搜索的第二次迭代。
2.根据权利要求1所述的计算机系统，其中具有指示响应于所述第一数据的较高重新构建误差的适应度值的自动编码器是针对所述自动编码器的子集选择的，偏好于具有指示较低重新构建误差的适应度值的自动编码器。
3.根据权利要求2所述的计算机系统，其中所述第一操作状态是所述一或多个装置的反常操作状态并且所述第二操作状态是所述一或多个装置的正常操作状态。
4.一种方法，其包括：
在遗传算法的第一时期的执行期间：
通过计算装置的处理器确定用于多个自动编码器中的每一个的适应度函数的值，其中用于特定自动编码器的所述适应度函数的所述值指示响应于表示一或多个装置的第一操作状态的第一数据的所述特定自动编码器的重新构建误差；
通过所述计算装置的所述处理器基于所述适应度函数的所述值从所述多个自动编码器中选择自动编码器的子集；
相对于所述子集的至少一个自动编码器执行所述遗传算法的至少一个遗传操作以产生可训练自动编码器；
训练所述可训练自动编码器以减小损失函数值以产生经训练的自动编码器，其中所述损失函数值是基于响应于表示所述一或多个装置的第二操作状态的第二数据的所述可训练自动编码器的重新构建误差的；以及
将所述经训练的自动编码器添加到自动编码器的群体以作为输入被提供到在所述第一时期之后的所述遗传算法的第二时期。
5.根据权利要求4所述的方法，其中具有指示响应于所述第一数据的较高重新构建误差的所述适应度函数的值的自动编码器是针对所述自动编码器的子集选择的，偏好于具有指示较低重新构建误差的所述适应度函数的值的自动编码器。
6.根据权利要求5所述的方法，其中所述第一操作状态是所述一或多个装置的反常操作状态并且所述第二操作状态是所述一或多个装置的正常操作状态。
7.根据权利要求4所述的方法，其中具有指示较低重新构建误差的所述适应度函数的所述值的一或多个自动编码器是从所述自动编码器的群体中省略的以作为输入被提供到所述遗传算法的所述第二时期。
8.根据权利要求4所述的方法，其中所述训练所述可训练自动编码器修改所述可训练自动编码器的连接权重并且并未修改所述可训练自动编码器的架构。
9.根据权利要求4所述的方法，其中所述至少一个遗传操作修改所述至少一个自动编码器的架构。
10.根据权利要求4所述的方法，其中所述至少一个遗传操作修改所述至少一个自动编码器的至少一个节点的激活函数。
11.根据权利要求4所述的方法，其中所述至少一个遗传操作修改所述至少一个自动编码器的至少一个层的层类型。
12....
【专利技术属性】
技术研发人员：S·安多尼，U·亚达夫，T·S·麦克唐奈，
申请(专利权)人：激发认知有限公司，
类型：发明
国别省市：美国;US
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。