【技术实现步骤摘要】
本专利技术涉及一种卷积神经网络，其基于收集到的各种类型的数据进行运算(学习)并提取特征，特别是涉及一种用于生成卷积神经网络中使用的数据的方法，以及使用该卷积神经网络的学习系统和学习装置。
技术介绍
1、近年来，诸如人工智能(ai)和信息通信技术(ict)的先进技术已经被利用来高效地实现进行诸如学习、推理、识别和判断的处理的技术。在上述技术中，存在作为由人工智能进行的学习方法的机器学习。在机器学习中，机器(计算机)利用大量的给定数据进行自行学习、基于学习结果(学习模型)相对于输入数据来优化输出数据，并基于输出数据进行估计和预测。这种机器学习的一个示例是使用卷积神经网络(cnn)的处理技术。卷积神经网络被用于各种领域，如图像识别、语音识别、自然语言处理和机器翻译。
2、日本未审查专利申请公开第2019-168453号(jp2019-168453a)公开了一种使用上述的卷积神经网络来估计蓄电元件的劣化的技术。jp2019-168453a中描述的劣化估计装置获取蓄电元件在第一时间点的健康状态(soh)以及第一时间点之后第二时间点的soh。与此同时，基于与从第一时间点到第二时间点的蓄电元件的状态相关的时间序列数据以及学习数据，学习模型被学习，在学习数据中，第一时间点的soh是输入数据，第二时间点的soh是输出数据。然后，基于学习到的学习模型来估计蓄电元件的劣化状态。
3、日本未审查专利申请公开第2020-148560(jp2020-148560a)描述了一种旨在准确预测车辆电池的剩余寿命的电池寿命学习装置。jp20
技术实现思路
1、jp2019-168453a中描述的劣化估计装置和jp2020-148560a中描述的电池寿命学习装置使用神经网络生成学习的模型(预测模型)，并且估计蓄电元件或车辆电池的劣化状态和剩余寿命。例如，在jp2019-168453a中描述的劣化估计装置中，基于蓄电元件的电压数据的与蓄电元件的soc相关的时间序列数据被输入到卷积神经网络，并且蓄电元件的劣化状态被估计。此外，在jp2020-148560a中描述的电池寿命学习装置中，诸如车辆电池的内阻、电压、电流、温度、充电量和满充电容量的电池信息被输入到神经网络，并预测车辆电池的剩余寿命。此外，例如，存在这样的相关技术，其中通过利用外部空气温度修正车辆电池的起动电压而得到的值被输入到神经网络，以估计车辆电池的劣化状态。通过纳入直接影响电池的性能和劣化状态的数据或纳入高影响度的数据，并使用神经网络，能够准确估计电池的劣化状态和剩余寿命。然而，例如，如jp2020-148560a中描述的车辆电池，除了直接的电池信息(如车辆电池的内阻和电压)，还存在与车辆的行驶状态和使用状态相关并间接影响车辆电池的性能和劣化状态的数据。然而，在上述相关技术中，除了具有高影响度的数据以外的包括与电池的性能和劣化状态相关的因素的外围数据没有得到利用。此外，尚未建立用于纳入这样的外围数据并适当利用该数据的技术。
2、如上所述，通过应用神经网络，特别是表现出高级识别性能或学习性能的卷积神经网络，对于按时间连续变化(劣化)的预定装置、构件、物质等的变化状态进行更准确的预测或估计，仍有改进的空间。
3、本专利技术通过关注上述技术问题而被设计，其目的是提供一种用于生成卷积神经网络的矩阵数据的方法，该卷积神经网络能够准确地预测或估计按时间连续变化的装置、构件、物质等的变化状态，以及使用该卷积神经网络的学习系统和学习装置。
4、为了实现上述目的，本专利技术是一种用于生成卷积神经网络的矩阵数据的方法，所述卷积神经网络基于所述矩阵数据进行卷积运算，预定信息作为矩阵元素被排列在所述矩阵数据中，并且所述矩阵数据由预定项目的时间序列数据组成，其中，所述矩阵数据的各行在所述矩阵数据的各列的排列方向上按时间连续变化，所述时间序列数据由对所述卷积运算的影响度高的第一数据和所述影响度低于所述第一数据的第二数据组成，使用内核(或滤波器或掩码)进行所述卷积运算，所述内核将所述矩阵数据划分为与预定的系数对应的多个所述行和多个所述列，并且针对与所述系数对应的矩阵数据的多个所述行的每个组排列至少一行所述第一数据；并且在除排列有所述第一数据的所述行之外的剩余的所述行中排列所述第二数据。
5、此外，本专利技术是一种用于生成卷积神经网络的矩阵数据的方法，所述卷积神经网络基于所述矩阵数据进行卷积运算并估计车辆的预定元件的经时变化的状态，具有检测到的所述车辆的各个部件的行为和状态的车辆信息作为矩阵的成分被排列在所述矩阵数据中，并且所述矩阵数据可以由所述车辆信息的时间序列数据组成，其中，所述矩阵数据的各行在所述矩阵数据的各列的排列方向上按时间连续变化，所述时间序列数据可以由第一数据和第二数据组成，所述第一数据对所述卷积运算的影响度高且至少包括与所述经时变化的主要因素有关的数据，所述第二数据的所述影响度低于所述第一数据，可以使用内核(或滤波器或掩码)进行所述卷积运算，所述内核将所述矩阵数据划分为与预定的系数对应的多个所述行和多个所述列，可以针对与所述系数对应的矩阵数据的多个所述行的每个组排列至少一行所述第一数据，并且可以在除排列有所述第一数据的所述行之外的剩余的所述行中排列所述第二数据。
6、此外，根据本专利技术的卷积神经网络可以用于估计安装在所述车辆上的蓄电装置的劣化状态；并且根据本专利技术的所述第一数据可以至少包括与所述蓄电装置的电压相关的数据。
7、此外，本专利技术是一种学习系统，其设置有安装在车辆上的控制单元和安装在所述车辆外部的服务器，所述学习系统使用卷积神经网络，所述卷积神经网络通过基于矩阵数据进行卷积运算来估计所述车辆的预定元件的经时变化的状态，预定信息作为矩阵的成分被排列在所述矩阵数据中。所述控制单元可以获取具有检测到的所述车辆的各个部件的行为和状态的车辆信息，并且将所述车辆信息发送至所述服务器。所述服务器可以：使用所述车辆信息的时间序列数据来配置所述矩阵数据，其中所述矩阵数据的各行在所述矩阵数据的各列的排列方向上按时间连续变化；使用所述第一数据和第二数据来配置所述时间序列数据，所述第一数据对所述卷积运算的影响度高且至少包括与所述经时变化的主要因素相关的数据，所述第二数据的所述影响度低于所述第一数据；使用内核(或滤波器或掩码)进行所述卷积运算，所述内核将所述矩阵数据划分为与预定的系数对应的多个所述行和多个所述列；针对与所述系数对应的矩阵数据的多个所述行的每个组排列至少一行所述第一数本文档来自技高网...
【技术保护点】
1.一种用于生成卷积神经网络的矩阵数据的方法，所述卷积神经网络基于所述矩阵数据进行卷积运算，预定信息作为矩阵元素被排列在所述矩阵数据中，其中：
2.一种用于生成卷积神经网络的矩阵数据的方法，所述卷积神经网络基于所述矩阵数据进行卷积运算并估计车辆的预定元件的经时变化的状态，具有检测到的所述车辆的各个部件的行为和状态的车辆信息作为矩阵的成分被排列在所述矩阵数据中，其中：
3.根据权利要求2所述的方法，其中：
4.一种学习系统，其设置有安装在车辆上的控制单元和安装在所述车辆外部的服务器，所述学习系统使用卷积神经网络，所述卷积神经网络通过基于矩阵数据进行卷积运算来估计所述车辆的预定元件的经时变化的状态，预定信息作为矩阵的成分被排列在所述矩阵数据中，其中：
5.根据权利要求4所述的学习系统，其中：
6.一种使用卷积神经网络的学习装置，所述卷积神经网络通过基于矩阵数据进行卷积运算来估计车辆的预定元件的经时变化的状态，具有检测到的所述车辆的各个部件的行为和状态的车辆信息作为矩阵的成分被排列在所述矩阵数据中，所述学习装置包括：
<...【技术特征摘要】
1.一种用于生成卷积神经网络的矩阵数据的方法，所述卷积神经网络基于所述矩阵数据进行卷积运算，预定信息作为矩阵元素被排列在所述矩阵数据中，其中：
2.一种用于生成卷积神经网络的矩阵数据的方法，所述卷积神经网络基于所述矩阵数据进行卷积运算并估计车辆的预定元件的经时变化的状态，具有检测到的所述车辆的各个部件的行为和状态的车辆信息作为矩阵的成分被排列在所述矩阵数据中，其中：
3.根据权利要求2所述的方法，其中：
4.一种学习系统，其设置有安装在车辆上的控制单元和安装在所述车辆外部的服务器...
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。