用于执行技术过程的计算机实现的方法的有监督的机器学习技术

本发明专利技术涉及一种用于执行技术过程的计算机实现的方法的有监督的机器学习，其中：建立数据池，其包含具有输入数据和描述正确过程结果的输出数据的数据组；将数据组划分为训练数据组和验证数据组；在训练阶段中训练该计算机实现的方法，其中在重复执行该方法时改变该方法的方法参数；在验证阶段中检查经训练的方法，方式是将利用经训练的方法利用输入数据计算的输出数据与描述正确的过程结果的输出数据进行比较，并且计算该方法的实际的故障概率作为比较的结果。在此提出，为训练阶段确定经验故障概率，其最高与预先给定的目标故障概率一样大，在训练阶段中确定不超过经验故障概率之后，开始验证阶段。

【技术实现步骤摘要】

本专利技术涉及一种用于执行技术过程的计算机实现的方法的有监督的机器学习的方法以及一种用于执行技术过程的技术系统。此外，本专利技术涉及一种计算机程序以及一种计算机可读的存储介质，所述计算机程序以及存储介质都具有用于执行所述有监督的机器学习的程序。

技术介绍

1、用于基于人工智能的训练算法的机器学习方法是目前研究的重点。在此，机器学习在应用所涉及的算法时连续地改善成功率，其中成功率例如可以统计地示出。

2、在本专利技术的范围内，人工智能(以下也缩写为ai)，也称为artificialintelligence，在狭义上被理解为计算机辅助的机器学习的能力，也被称为机器学习(以下也缩写为ml)。在此，这涉及算法参数化的统计学习，优选地用于非常复杂的应用情况。借助于ml，系统根据之前输入的学习数据在所采集的过程数据中识别和学习模式和规律性。在合适的算法的帮助下，ml可以独立地为出现的问题找到解决方案。ml分为三个领域：有监督的学习，无监督的学习和强化学习(reinforcement learning)，具有更具体的应用，例如回归和分类、结构识别和预测、数据本文档来自技高网...

【技术保护点】

1.一种用于执行技术过程(TPR)的计算机实现的方法的有监督的机器学习，其中，确定所述技术过程(TPR)的从输入参量(x)中得出的输出参量(y)，并且执行以下步骤：

2.根据权利要求1所述的有监督的机器学习，其特征在于，

3.根据权利要求2所述的有监督的机器学习，其特征在于，所述计算机实现的方法的方法参数的变化在所述预先给定的观察间隔(BI)内被抑制。

4.根据上述权利要求中任一项所述的有监督的机器学习，其特征在于，所述安全因数(s)被确定为至少1/3并且最高2/3，优选地被确定为1/2。

5.根据上述权利要求中任一项所述的有监督的机器学习...

【技术特征摘要】

1.一种用于执行技术过程(tpr)的计算机实现的方法的有监督的机器学习，其中，确定所述技术过程(tpr)的从输入参量(x)中得出的输出参量(y)，并且执行以下步骤：

2.根据权利要求1所述的有监督的机器学习，其特征在于，

3.根据权利要求2所述的有监督的机器学习，其特征在于，所述计算机实现的方法的方法参数的变化在所述预先给定的观察间隔(bi)内被抑制。

4.根据上述权利要求中任一项所述的有监督的机器学习，其特征在于，所述安全因数(s)被确定为至少1/3并且最高2/3，优选地被确定为1/2。

5.根据上述权利要求中任一项所述的有监督的机器学习，其特征在于，在给定数量(n)的验证数据组(vd)的情况下，所述置信份额(va)被估计为临界因数(z)和如下因数的乘积：所述因数由分子中的经验故障概率(pemp)与分母中的验证数据组(vd)的数量(n)的商的平方根组成。

6.根据权利要求5所述的有监督的机器学习，其特征在于，在给定数量(n)的验证数据组(vd)的情况下，估计的故障概率(pe)被计算为所述置信份额(va)和所述经验故障概率(pemp)的总和。

7.根据权利要求6所述的有监督的机器学习，其特征在于，当所计算的估计的故障概率(pe)高于所述目标故障概率(pfd)时，增加所述验证数据组(vd)的数量(n)。

8.根据上述权利要求中任一项所述的有监督的机器学习，其特征在于，所...

【专利技术属性】
技术研发人员：J·布拉班德，
申请(专利权)人：西门子交通有限公司，
类型：发明
国别省市：