有关学习测量数据对神经网络的数值上更稳定的训练制造技术

对神经网络进行监督训练的方法，其具有如下步骤：提供由学习测量数据和相关的学习输出参量构成的学习示例；将空间区域划分成由彼此相邻的单元格构成的网格，空间区域包含通过学习示例的学习测量数据说明的位置的至少一部分；将在关于单元格中的所有位置的学习示例的学习测量数据中所包含的测量参量的值聚合成与单元格相关的测量参量的值；由神经网络将这些聚合值映射到输出参量上；使用由网格的各个单元格的贡献加权地组成的成本函数来评价输出参量与学习输出参量的偏差，每个贡献的权重α都取决于包含在学习测量数据中的位置对单元格的占用；优化表征神经网络的行为的参数，目的是：在进一步处理学习示例时，通过成本函数的评价预期得到改善。数的评价预期得到改善。数的评价预期得到改善。

【技术实现步骤摘要】
有关学习测量数据对神经网络的数值上更稳定的训练


[0001]本专利技术涉及对神经网络的训练，这些神经网络例如可以被用于评估借助于雷达、激光雷达和/或超声对车辆环境的观察。

技术介绍

[0002]为了车辆可以至少部分地自动化地在道路交通中移动，需要检测车辆的环境并且如果即将发生与车辆的环境中的对象的碰撞则引入应对措施。对于安全的自动化驾驶来说也需要创建环境表示和本地化。
[0003]借助于雷达对对象的检测与照明条件无关并且例如即使在夜晚在较大的距离上也是可能的，而对向交通不会被远光灯炫目。此外，从雷达数据中直接得出对象的距离和速度。这些信息对于评估是否可能发生与这些对象的碰撞来说是重要的。然而，从雷达信号中无法直接识别涉及何种类型的对象。
[0004]除了从数字信号处理中计算属性之外，越来越多地使用神经网络，以便依据使用雷达进行的对车辆环境的观察来对对象进行分类。DE 10 2019 220 069 A1公开了一种示例性的方法。

技术实现思路

[0005]在本专利技术的范围内，开发出了一种用于对神经网络进行监督训练本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于对神经网络（1）进行监督训练的方法（100），所述神经网络将测量数据（2）映射到一个或多个输出参量（3）上，其中所述测量数据（2）给在二维或三维空间中的位置（2b）分配一个或多个测量参量的值（2c），所述方法具有如下步骤：
•ꢀ
提供（110）由学习测量数据（2a）和相关的学习输出参量（3a）构成的学习示例（4）；
•ꢀ
将空间区域划分（120）成由彼此相邻的单元格（5a）构成的网格（5），所述空间区域包含通过学习示例（4）的学习测量数据（2a）所说明的位置（2b）的至少一部分；
•ꢀ
针对每个单元格（5a），将在关于所述单元格（5a）中的所有位置（2b）的所述学习示例（4）的学习测量数据（2a）中所包含的测量参量的值（2c）聚合（130）成与所述单元格（5a）相关的所述测量参量的值（5b）；
•ꢀ
由所述神经网络（1）将所述测量参量的这些聚合值（5b）映射（140）到一个或多个输出参量（3）上；
•ꢀ
使用指定的成本函数（6）来评价（150）所述输出参量（3）与所述学习输出参量（3a）的偏差，所述成本函数由所述网格（5）的各个单元格（5a）的贡献（6a）以加权的方式组成，其中每个贡献（6a）的权重α都取决于包含在所述学习示例（4）的学习测量数据（2a）中的位置（2a）对相对应的单元格（5a）的占用；
•ꢀ
对表征所述神经网络（1）的行为的参数（1a）进行优化（160），目的在于：在进一步处理学习示例（4）时，通过所述成本函数（6）的评价（6b）预期得到改善。2.根据权利要求1所述的方法（100），其中至少一个单元格（5a）的贡献（6a）的关于所述成本函数（5）的权重α
•ꢀ
当所述学习示例（4）的学习测量数据（2a）未说明在所述单元格（5a）中的位置（2b）时被规定（151）到第一正值a，而且
•ꢀ
当所述学习示例（4）的学习测量数据（2a）说明了在所述单元格（5a）中的至少一个位置（2b）时被规定（152）到更高的第二正值b。3.根据权利要求2所述的方法（100），其中所述第二正值b在所述第一正值a的八倍与二十倍之间。4.根据权利要求1至3中任一项所述的方法（100），其中权重α在所述网格（5）内的分布被选择（153）为使得在其内部所述学习示例（4）的学习测量数据（2a）没有说明位置（2b）的单元格（5a）总体上关于所述成本函数（5）做出与在其内部所述学习示例（4）的学习测量数据（2a）说明至少一个位置（2b）的单元格（5a）相同的贡献。5.根据权利要求1至4中任一项所述的方法（100），其中对至少一个权重α进行优化（161），目的同样在于：在进一步处理学习测量数据（...

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