[发明专利]用于确定操控信号的方法和设备

说明书

用于对输入信号（x）如下进行分类的计算机实施的方法：所述输入信号（x）是否具有异常，所述输入信号（x）尤其是根据传感器（30）的输出信号（S）来确定；其中根据自编码器（60）的输出信号（y）来判定，输入信号（x）是否具有异常，所述输入信号（x）被输送给所述自编码器（60）；其中所述自编码器（60）具有至少一个编码器（61）和至少一个解码器（63₁、63₂、....）；其中根据所述输入信号（x）借助所述编码器（61）来确定中间变量（z），并且根据所述中间变量（z）借助所述解码器（63₁、63₂、....）来确定所述输出信号（y）；其中所述自编码器（60）对于输送给所述自编码器（60）的输入信号（x）提供多个假设公式（I），用于重构所述输入信号（x），并且根据所述多个假设公式（I），所述自编码器（60）确定所述输出信号（y）。

技术领域

本发明涉及一种用于对输入信号进行分类和确定尤其是用于操控（Ansteuern）执行器的操控信号的方法和设备、一种用于训练机器学习系统的方法、一种训练系统、一种计算机程序和一种机器可读取的存储介质。

背景技术

从没有提前公开的DE 10 201 721 0787.1中，已知了一种用于确定在通信网络中是否存在异常的方法，其中通过如下方式来分析至少一个经由通信网络传送的消息：根据所传送的消息、也就是说尤其是从所传送的消息中，确定编码器的输入变量，其中借助编码器来确定减小的维度的中间变量，并且其中根据中间变量借助解码器来确定具有输入变量的维度的输出变量，其中根据输入变量和输出变量来判定，是否存在异常。也可以用术语“自编码器（Autoencoder）”来称由编码器和解码器构成的这种组合，由编码器和解码器构成这种组合来使得，输入变量经由一个或者多个减小的维度的中间变量（也就是说与信息损失相联系地）被转化成输出变量。

从Diederik P Kingma、Max Welling的“Auto-Encoding Variational Bayes（arXiv preprint arXiv:1312.6114vl0，2014年）”中，已知了一种变分自编码器（Variational Autoencoder）。从Christian Rupprecht等人的“Learning in anUncertain World: Representing Ambiguity Through Multiple Hypotheses”（arXivpreprint arXiv:1612.00197v3，International Conference on Computer Vision（2017））和Eddy Ilg等人的“Uncertainty Estimates and Multi-Hypotheses Networksfor Optical Flow”（arXiv preprint arXiv:1802.07095v3，（2018））中，已知了卷积神经网络（CNN，Convolutional Neural Networks），所述卷积神经网络预测多个假设。

从Anders Boesen Lindbo Larsen、Søren Kaae Sønderby、Hugo Larochelle、OleWinther的“Autoencoding beyond pixels using a learned similarity metric”（arXivpreprint arXiv:1512.09300v2，2016年）和Alexey Dosovitskiy、Thomas Brox的“Generating Images with Perceptual Similarity Metrics based on Deep Networks”（arXiv preprint arXiv:1602.02644v2，2016年）中，已知了用于利用双人游戏来训练变分自编码器的方法。

发明内容

本发明的优点

相对于从现有技术中已知的内容，本发明的主题具有如下优点：异常识别拥有改进的外推能力，使得最终得到的操控方法对此更稳健，或者替选地利用少量训练数据实现可比较的稳健性。