[发明专利]数据驱动的异常识别和传感器数据的延续

权利要求书

1.一种用于训练机器学习系统（100）的计算机实现方法（200），所述计算机实现方法包括：

提供至少一个训练数据集（210），所述训练数据集包括多个数值向量（211）；而且

通过可参数化的基于流的通用模型（110）来传播所述至少一个训练数据集（210）的数值向量（211），其中所述可参数化的基于流的通用模型（110）具有至少两个可参数化的子模块（120、122）的级联（121），其中每个子模块（120、122、123）分别是可参数化的函数；而且

学习所述可参数化的基于流的通用模型（110）的模型参数，

其中每个可参数化的子模块（120）的参数化沿流方向被依次学习，并且在沿流方向接下来的可参数化的子模块（122）的参数化被学习之前予以固定，而且

其中所述学习旨在：每个子模块（120、122、123）的输出数据都按照预先确定的概率分布（111）来分布。

2.根据权利要求1所述的用于训练机器学习系统（100）的计算机实现方法（200），其中所述基于流的通用模型（110）的至少一个子模块（120）包括通用自回归流（140）。

3.根据权利要求2所述的用于训练机器学习系统（100）的计算机实现方法（200），其中所述通用自回归流（140）包括通过模型参数可参数化的调节器（141）和通过模型参数可参数化的变换器（130），其中每个调节器（141）都是函数，所述函数确定所属的变换器（130）的模型参数并且是自回归神经网络。

4.根据权利要求2或3所述的用于训练机器学习系统（100）的计算机实现方法（200），其中所述基于流的通用模型（110）的至少一个子模块（120）包括循环神经网络（150），可选地其中所述至少一个训练数据集（210）的数值向量（211）经由所述循环神经网络（150）传播到所述基于流的通用模型（110）中。

5.根据权利要求4所述的用于训练机器学习系统（100）的计算机实现方法（200），其中不同长度的时间序列（212）经由所述循环神经网络（150）传播到所述基于流的通用模型（110）中。

6.根据上述权利要求1至5中任一项所述的用于训练机器学习系统（100）的计算机实现方法（200），其中分别在学习子模块（120）之后计算性能的量度（160），可选地其中所述性能通过在所述预先确定的概率分布与相应的子模块（120）的输出数据的分布之间的Kullback-Leibler散度来被确定，而且其中分别在学习子模块（120）之后，能够根据针对所述性能的预先确定的标准（161）使所述基于流的通用模型（110）扩展其它子模块（120）或者缩短现有的子模块（120）。

7.根据上述权利要求1至6中任一项所述的用于训练机器学习系统（100）的计算机实现方法（200），其中每个子模块（120）分别是可参数化的函数的级联，所述级联分别具有可参数化的变换器（130）作为最后一个链节，其中可参数化的变换器（130）是可参数化的可逆映射。

8.根据上述权利要求1至7中任一项所述的用于训练机器学习系统（100）的计算机实现方法（200），其中所述预先确定的概率分布（111）分别是正态分布。

9.一种用于应用经训练的机器学习系统（100）的计算机实现方法（300），其中所述机器学习系统（100）具有至少两个子模块（120）并且已根据上述权利要求1至8中任一项来被配置和训练。

10.根据权利要求9所述的用于应用经训练的机器学习系统（100）的计算机实现方法（300），所述计算机实现方法包括：

接收设备的传感器数据（410）的时间序列；而且

根据所学习的概率分布（213）来计算所述时间序列（212）的新数据点（312）的概率；而且

如果所述时间序列（212）的数据点（312）的概率违反另一预先确定的标准（313），则将所述数据点评价为异常。