[发明专利]数据驱动的异常识别和传感器数据的延续

说明书

本发明涉及一种用于训练机器学习系统的计算机实现方法，该方法包括：提供至少一个训练数据集，该训练数据集包括多个数值向量；而且通过可参数化的基于流的通用模型来传播该至少一个训练数据集的数值向量，其中可参数化的基于流的通用模型具有至少两个可参数化的子模块的级联，其中每个子模块分别是可参数化的函数；而且学习可参数化的基于流的通用模型的模型参数；其中每个可参数化的子模块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的参数化被学习之前予以固定，而且其中该学习旨在：每个子模块的输出数据都按照预先确定的概率分布来分布。

技术领域

本发明涉及用于训练和应用计算机实现的机器学习系统、尤其是用于识别技术系统中的异常和/或用于传感器数据的延续（Fortsetzung）的方法。

背景技术

在技术系统中的数据驱动算法的开发和应用在数字化中并且尤其是在技术系统的自动化方面变得越来越重要。技术问题通常可以被简化为获得关于例如由至少一个传感器提供的至少一个时间序列的未来发展的尽可能好的知识和/或信息。在技术系统中，一方面可能有利的是：对新检测的数据点关于其与该至少一个时间序列的已知数据点的兼容性方面进行评价并且因此识别异常或异常值。另一方面可能有利的是：针对该至少一个时间序列生成新数据点并且尤其是大量新数据点。由此，例如可以对各种未来场景进行模拟和统计评估。然后，根据异常识别和/或基于该至少一个时间序列的所估计的延续的模拟结果，可以对技术系统进行适配或重新配置。

发明内容

第一方面涉及用于训练机器学习系统100的第一计算机实现方法200，该方法包括：提供至少一个训练数据集210，该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来传播该至少一个训练数据集210的数值向量211。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。第一计算机实现方法200还包括：学习可参数化的基于流的通用模型110的模型参数。在这种情况下，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。该学习旨在：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来分布。

第二方面涉及用于应用经训练的机器学习系统100的第二计算机实现方法300，其中机器学习系统100具有至少两个子模块120，而且已经根据第一方法以及如在本公开中所描述的那样被配置和训练，而且其中至少一个包括多个其它数值向量311的应用数据集310可以在可参数化的基于流的通用模型110中被传播。

第三方面涉及用于训练机器学习系统100或应用经训练的机器学习系统的计算机实现的系统，该计算机实现的系统被设计用于至少第一方法和/或第二方法以及如在本公开中所描述的那样被设计，其中至少一个训练数据集210的数值向量211和/或至少一个应用数据集310的其它数值向量311经由至少一个传感器信号410到达该计算机实现的系统。

如在本公开中所描述的那样，通过所提出的第一计算机实现方法200，可以改善机器学习系统100的预测能力，并且因此也可以改善所提出的第二计算机实现方法300以及该计算机实现的系统的预测能力。此外，通过使机器学习系统逐步扩展子模块，在与有些公知方法相比预测能力相似的情况下，可以降低机器学习系统的复杂性，在这些公知方法中，预先确定的长度的子模块链被训练以使最后一个子模块并且借此该链的输出具有预先确定的概率分布（例如正态分布）。

附图说明

图1a示意性示出了用于训练机器学习系统100的第一计算机实现方法200，在该第一计算机实现方法中，示例性地三个子模块120、122、123沿流方向在三个步骤124、125、126中依次被学习和冻结。

图1b示意性示出了具有循环神经网络150的通用自回归流140，即所谓的1层RNNAF。