用于处理输入值的方法和系统技术方案

本发明专利技术涉及一种在机器的控制器中实现的用于处理具有工作层次和评价层次的整体系统中的输入值的方法，包括：将第一输入值输入到工作层次并确定第一输出值；形成第一情况数据；将第一情况数据输入到评价层次并且确定指示第一情况数据是否满足预定第一条件的第一评价；基于第一评价影响第一输出值的确定；将第二输入值输入到工作层次并确定第二输出值，其中第二输出值的确定受第一输出值的影响；形成第二情况数据；将第二情况数据输入到评价层次并且确定指示第二情况数据是否满足预定第二条件的第二评价，其中第二评价的确定受第一评价的影响；基于第二评价影响第二输出值的确定；其中第一和/或第二输出值被用作整体系统的整体输出值。的整体输出值。的整体输出值。

【技术实现步骤摘要】
【国外来华专利技术】用于处理输入值的方法和系统


[0001]本专利技术涉及包括作为人工学习系统的工作层次和评价层次的整体系统，尤其是涉及在其中实现的用于处理机器的控制系统中的输入值的方法。

技术介绍

[0002]人工智能现今在无数应用领域中扮演越来越多的角色。这最初被理解为是指智能行为和机器学习的任何自动化。然而，这种系统通常是针对特殊任务而设计和训练的。这种形式的人工智能(AI)通常被称为“弱AI”，并且基本上基于应用计算和算法来模拟固定区域中的智能行为。示例包括能够识别某些模式的系统，例如车辆中的安全系统，或者能够学习和实现某些规则的系统，例如象棋中的系统。同时，这些系统在其它领域中基本上是无用的，并且必须针对其它应用进行完全的再训练，或者甚至使用完全不同的方法进行训练。
[0003]神经网络尤其被用于这种人工/人为学习单元的实际实现方式。原则上，这些网络在抽象层次上复制生物神经元的功能。存在若干人工神经元或节点，它们彼此连接并且可以接收、处理和向其它节点发送信号。然后，对于每个节点，定义函数、权重和阈值，例如，其确定信号是否以什么强度被传递到节点。
[0004]通常，分层考虑节点，使得每个神经网络具有至少一个输出层。在此之前，其它层可以作为所谓的隐藏层存在，从而形成多层网络。输入值或特征也可以被认为是层。不同层的节点之间的连接被称为边缘，并且这些通常被分配固定的处理方向。取决于网络拓扑，可以指定一层的哪个节点链接到下一层的哪个节点。在这种情况下，可以连接所有节点，但是，例如，具有值0的学习加权意味着不能经由特定节点进一步处理信号。
[0005]神经网络中的信号处理可以通过各种函数来描述。在下文中，针对神经网络的单个神经元或节点来描述该原理。从达到一个节点的几个不同的输入值中，网络输入由传播函数(也即输入函数)形成。通常，该传播函数包括简单的加权和，由此为每个输入值指定相关联的加权。然而，原则上，其它传播函数也是可能的。权重可被指定为网络的权重矩阵。
[0006]可以取决于阈值的激活函数被应用于以这种方式形成的节点的网络输入。该函数表示在网络输入与神经元活动层次之间的关系。各种激活函数是已知的，例如简单的二进制阈值函数，其输出因此是低于阈值的零和高于阈值的本体(英语：identity)；S形函数；或具有给定斜率的分段线性函数。在设计神经网络时指定这些函数。激活功能的结果形成激活状态。可选地，可以指定附加输出函数，其应用于激活函数的输出并确定节点的最终输出值。然而，通常，激活函数的结果简单地直接作为输出值传递，即本体被用作输出函数。取决于所使用的命名，激活函数和输出函数也可组合为传递函数。
[0007]然后将每个节点的输出值作为该层的相应节点的输入值传递到神经网络的下一层，其中重复相应步骤以便用节点的各个函数和权重进行处理。取决于网络的拓扑结构，还可能存在到先前层的向后边缘或返回到输出层，从而导致递归网络。
[0008]另一方面，每个输入值被加权的权重可以被网络改变，从而调整输出值和整个网络的功能，这被认为是神经网络的“学习”。为此，通常在网络中使用误差反向传播，即，将输
出值与期望值进行比较，并使用该比较以使输入值适应于最小化误差的目的。通过误差反馈，然后可以相应地调整网络的各种参数，例如步长(学习速率)或节点处的输入值的权重。同样，也可以重新评价输入值。
[0009]然后可以以训练模式训练网络。所使用的学习策略对于神经网络的可能应用也是决定性的。特别地，区分以下变型：
[0010]在监督学习中，给出输入模式或训练数据集，并将网络的输出与期望值进行比较。
[0011]无监督学习将相关性或规则的发现留给系统，从而仅指定要学习的模式。中间变型是半监督学习，其中也可以使用没有预定分类的数据集。
[0012]在强化学习或Q－学习中，创建了一种代理，其可以接收针对动作的奖励和惩罚，并且基于此，试图最大化所接收的奖励并因此调整其行为。
[0013]神经网络的一个重要应用是将输入数据或输入分类到某些类别或类中，即识别相关性和分配。这些类可以基于已知数据来训练，并且至少部分地预定义，或者它们可以由网络独立地开发或学习。
[0014]这样的神经网络的基本功能和进一步的具体细节在本主题中是已知的，例如来自R.Schwaiger，J.Steinwender，“用Python编写神经网络程序”,莱茵维尔计算，波恩2019。
[0015]没有仅针对一个特殊任务进行训练的通用AI系统将产生多维或高维空间，因此需要按指数规律增加训练和测试数据集。因此，实时响应很快变得不可能。因此，通常试图降低这种系统的维数和复杂性。正在寻求解决该问题的不同方法。例如，可以通过链接数据集、降低自由度和/或通过将已知知识馈送到系统中来降低复杂度。另一种方法是例如通过使用诸如主成分分析的方法至少部分地分离相关数据或相互依赖的数据集。通过对特征应用过滤方法，例如通过应用诸如卡方检验或其它的统计检验，可以消除在训练网络时不突出或负面突出的数据。最后，训练数据本身的选择可以作为AI网络中的优化问题来完成。在这种情况下，训练数据以这样的方式组合，即它们可以尽可能快地训练新的网络。
[0016]更先进的方法包括所谓的“卷积神经网络”，其在多层全连接网络的至少一层中应用卷积而不是简单的矩阵变换。例如，所谓的“deep
‑
dream”方法是已知的，特别是在图像识别领域中，其中在训练的网络中的权重是最佳的，但是替代地，输入值(例如输入图像)根据输出值被修改为反馈回路。这样，例如，系统相信识别的内容被淡入。该名称是指在该过程中创建梦幻图像的事实。这样，可以跟踪神经网络的内部过程及其方向。
[0017]显然，这些方法仍然显示出与人类智力的巨大差异。虽然原则上可以将数据库、文本文件、图像和音频文件与事实、语言、语音逻辑、声音、图像和事件序列在大脑中如何存储和处理进行比较，但是人类智能显著不同，例如，因为它在感觉和无意识“软”分类的情境中链接所有这些数据。

技术实现思路

[0018]根据本专利技术，提出了一种在机器的控制系统中执行的用于处理作为人工学习系统的具有工作层次和评价层次的整体系统中的输入值的方法以及具有独立权利要求的特征的对应的系统。有利的实施例是从属权利要求和以下描述的主题。
[0019]在用于处理包括由作为人工学习系统的具有工作层次和评价层次的整体系统中的一个或多个传感器所检测到的传感器数据(或值或测量值，视情况而定)的输入值的机器
的控制系统中执行的方法(或多种方法，视情况而定)，包括：
[0020]a)将第一输入值输入到工作层次，并根据第一分类由工作层次从第一输入值确定第一输出值；
[0021]b)基于第一输出值形成第一情况数据；
[0022]c)将第一情况数据输入到评价层次，并由评价层次确定第一评价，第一评价指示第一情况数据是否或何种程度满足预定第一条件；
[0023]d)基于第一评价影响工作层次中的第一输出值的确定；<本文档来自技高网...

【技术保护点】

【技术特征摘要】
【国外来华专利技术】1.一种在机器的控制器中执行的用于处理输入值(X
i
)的方法，所述输入值包括由作为人工学习系统的具有工作层次(710)和评价层次(730)的整体系统中的一个或多个传感器所检测的传感器数据，所述方法包括：a)将第一输入值(X
i
(t1))输入到所述工作层次，并由所述工作层次根据第一分类从所述第一输入值确定第一输出值(输出11)；b)基于所述第一输出值(输出11)形成第一情况数据(Y(t3))；c)将第一情况数据输入到所述评价层次，并由所述评价层次确定第一评价(输出21)，所述第一评价指示所述第一情况数据是否或何种程度满足预定第一条件；d)基于第一评价来影响所述工作层次中的所述第一输出值的确定；由此重复执行步骤a)－d)；e)将第二输入值(X
i
(t2))输入到所述工作层次，并由所述工作层次根据第二分类从所述第二输入值确定第二输出值(输出12)，其中，所述第二输出值的确定受所述第一输出值的影响；f)基于所述第二输出值形成第二情况数据(Y(t4))；g)将所述第二情况数据输入到所述评价层次，并由所述评价层次确定第二评价(输出22)，所述第二评价指示所述第二情况数据是否或何种程度满足预定的第二条件，所述第二评价的确定受所述第一评价的影响；h)基于所述第二评价来影响所述工作层次中的所述第二输出值的确定；由此重复执行步骤e)－h)；其中，所述第一输出值和/或所述第二输出值被用作所述整体系统的整体输出值(输出)，其中，所述整体输出值被用作所述机器的控制参数和/或状态参数。2.根据权利要求1所述的方法，其中，重复地执行步骤a)－d)，直到预定的第一时间段过去和/或所述第一输出值在预定的第一公差内的连续重复之间不再改变和/或所述第一评价指示至少在某种程度上满足第一条件为止；其中优选地，当完成重复执行时，所述第一输出值被用作整体输出值。3.根据前述权利要求中任一项所述的方法，其中，重复地执行步骤e)－h)，直到预定的第二时间段过去和/或所述第二输出值在预定的第二公差内的连续重复之间不再改变和/或所述第二评价指示至少在某种程度上满足所述第二条件为止；其中优选地，当完成重复执行时，所述第二输出值被用作整体输出值。4.根据前述权利要求中任一项所述的方法，包括：在整体序列存储器(760，860)中储存整体序列的整体记录，每个整体记录包括相互对应的输入值和/或第一输出值和/或第一情况数据和/或第一评价和/或第二输出值和/或第二情况数据和/或第二评价；其中优选地，所述整体记录和/或被包括在所述整体记录中的值或数据被提供有相应的时间信息和/或编号。5.根据前述权利要求中任一项所述的方法，包括：补充第一条件和/或第二条件，使得分别对于第一情况数据和第二情况数据，在所述补充之前，所述第一条件和所述第二条件没有得到满足，经补充的第一条件和第二条件分别得到满足或至少在某种程度上得到满足；其中优选地，仅改变所述第二条件且所述第一条件保持不变。6.根据如果从属于权利要求3的权利要求5所述的方法，其中，当步骤e)－h)的重复因
所述第二时间段期满而中止时，或者优选地，因所述第二输出值在所述第二公差内不再改变而中止时，补充所述第二条件，使得中止时的情况数据满足所补充的第二条件。7.根据如果从属于权利要求4的权利要求5或6所述的方法，其中，基于所述第一条件或所述第二条件分别不能满足的储存的总序列来进行所述第一条件和/或所述第二条件的补充。8.根据前述权利要求中任一项所述的方法，其中，所述整体系统包括投影层次，并且由所述投影层次执行所述第一情况数据和/或所述第二情况数据的形成。9.根据前述权利要求中任一项所述的方法，其中，所述第二分类将所述第一分类的至少一个类别分类成多个子类和/或其中对于所述第一条件中的至少一个，由多个所述第二条件暗示一个第一条件。10.根据前述权利要求中任一项所述的方法，其中，所述第一条件是以规则的形式给出的并且所述第二条件是以规则分类的形式给出的；其中，每个规则被分配规则分类，所述规则分类表示相应规则的子部分，尤其是被分为多个层次；其中，优选地提供了储存有所述规则和所述规则分类的存储器；其中，进一步优选地，所述规则分类被细分为由区块链链接的层次，其中，所述规则和/或所述规则分类以智能合约的形式实现和/或其中如果从属于权利要求5，则在补充所述第二条件时添加细分的进一步层次。11.根据前述权利要求中任一项所述的方法，其中，所述工作层次被设计成使得在步骤a)中对所述第一输出值的确定需要更短的时间段并且在步骤e)中对所述第二输出值的确定需要更长的时间段；和/或其中，所述评价层次被设计成使得在步骤c)中对所述第一评价的确定需要更短的时间段并且在步骤g)中所述第二评价的确定需要更长的时间段；其中，优选地在彼此独立的两种情况下，所述更长的时间段比所述更短的时间段长至少2倍，尤其是至少5倍。12.根据前述权利要求中任一项所述的方法，其中，所述第一输入值和所述第二输入值被作为时间连续的输入信号或作为时间离散的时间序列给出，优选地其中，所述第一输入值和所述第二输入值全部或部分相同。13.根据前述权利要求中任一项所述的方法，其中，工作面包括第一人工学习工作单元和第二人工学习工作单元(810，820)；其中，所述第一人工学习工作单元(810)适于接收所述第一输入值(X
i
(t1))并确定所述第一输出值；其中，所述第二人工学习工作单元(820)适于接收所述第二输入值(X
i
(t2))并确定所述第二输出值；以及其中，在所述工作层次中，基于所述第一输出值和/或从所述第一输出值导出的值来形成一个或多个第一调节函数(f
mod1_f
，f
mod2_w
)，所形成的一个或多个第一调节函数被应用于所述第二人工学习工作单元(820)的一个或多个参数(f
outA2
，f
aktA2
，f...

【专利技术属性】
技术研发人员：海科，
申请(专利权)人：萨尔大学，
类型：发明
国别省市：