[发明专利]训练用于控制工程系统的机器学习例程的方法和设备

说明书

为了训练机器学习例程(BNN)，通过机器学习例程(BNN)读取第一训练数据(PIC)的序列。根据第一训练数据(PIC)训练机器学习例程(BNN)，其中，通过训练调节机器学习例程(BNN)的多个学习参数(LP)。另外，得出学习参数(LP)的在训练中出现的值分布(VLP)，并且根据学习参数(LP)的得出的值分布(VLP)来产生继续消息(CN)。然后，根据继续消息(CN)利用第一训练数据(PIC)的另一序列继续训练，或者对于训练请求其他训练数据(PIC2)。

技术领域

训练用于控制工程系统的机器学习例程的方法和设备。

背景技术

在控制复杂的工程系统、例如医学诊断装置、图像分析装置、机器人、自治系统、风力涡轮机、燃气轮机或制造设施时，越来越多地使用机器学习方法，以便关于预设的标准优化工程系统的能力。在此，尤其能够通过训练过的机器学习例程来控制工程系统的传感器数据的评估。

提供大量已知的学习方法、即例如监督学习方法来训练机器学习例程。在此，尤其能够将要控制的工程系统或类似的工程系统的历史或当前的运行数据或传感器数据用作为训练数据。

因此，例如，在医学诊断仪器中，能够训练机器学习例程以在显微图像上专门对细胞或组织类型进行分类或识别或在断层扫描照片上专门分类和识别肿瘤。对于这样的训练，经常使用大量先前分类过的医学图像，该医学图像作为训练数据输送给机器学习例程。因此，能够训练机器学习例程来尽可能好地复现预设的分类，或者以与预设的分类尽可能小的偏差识别细胞类型、组织类型或肿瘤。与此类似，能够训练用于燃气轮机、制造设施或另一工程系统的机器学习例程来根据传感器数据或其他运行数据识别或分类特定的运行状态和/或以优化的方式控制工程系统。

与此同时，在实践中经常发生，某些要识别的类别比其他识别类别显著更罕见地出现。相应地，相比于对于其他的识别类别的训练数据，对于极其罕见的识别类别通常存在显著更少的训练数据。

但是，刚好在医学领域，正确识别罕见的病理模式或变化通常是重要的。在这种情况下，在评估有足够多的罕见类别训练数据从而也足够可靠地识别该类别之前，会持续非常长时间。

与上述无关，根据预设的训练数据，与其他识别类别相比，会更难于将某些识别类别彼此区分。在这种情况下，经常发生：即使进行持续训练，也不再能够显著地改进识别可靠性。

根据迄今为止的现有技术，经常通过如下方式考虑上述情况：逐步增加训练数据量并且在此观察机器学习例程的成功率。一旦成功率不再显著改进，尤其在罕见识别类别中也是如此的话，则能够结束训练。如果成功率始终保持较低，则这还能够被评价为以下指示：训练所使用的传感器数据不够良好地适于可靠识别。在这种情况下，通常利用其他的传感器数据继续或重复训练。

通过上述处理方式，所需的训练耗费(尤其在存在罕见的识别类别的情况下)会显著增加。

发明内容

发明的目的是提供一种用于训练用于控制工程系统的机器学习例程的方法和设备，该方法和设备允许更有效的训练。

该目的通过具有权利要求1的特征的方法、通过具有权利要求13的特征的设备、通过具有权利要求14的特征的计算机程序产品以及通过具有权利要求15的特征的计算机可读的存储介质来实现。

为了训练用于控制工程系统的机器学习例程，通过机器学习例程读入包括工程系统的第一传感器数据的第一训练数据的序列。在此，该工程系统尤其能够是医学诊断装置、图像分析装置、机器人、自主系统、风力涡轮机、燃气轮机或制造设施。根据第一训练数据来训练机器学习例程，其中，通过训练来调节机器学习例程的多个学习参数。另外，得出学习参数的在训练中出现的值分布，并根据学习参数的得出的值分布来产生继续消息。然后，根据继续消息，利用第一训练数据的另一序列继续训练，或者对于训练请求其他训练数据。