[发明专利]用于计算机辅助地学习递归神经网络以对动态系统建模的方法

摘要

本发明涉及一种用于计算机辅助地学习递归神经网络以对动态系统建模的方法，所述动态系统在相应的时间点通过包括一个或多个观测量作为录入项的观测量矢量来表征。在此根据本发明学习神经网络，所述神经网络包括具有时间向前指向的信息流的因果网络以及具有时间向后指向的信息流的回归-因果网络。动态系统的状态在因果网络中通过第一状态矢量表征并且在回归-因果网络中通过第二状态矢量表征，所述状态矢量分别包含动态系统的观测量以及动态系统的隐藏状态。两个网络通过相应的第一和第二状态矢量的观测量的组合互相结合并且基于包括已知观测量矢量的训练数据被学习。根据本发明的方法的特点在于，其中经预测的未来的观测量对观测量的当前值有影响的动态系统也可以被建模。本方法特别适用于对能源价格和/或原材料价格的时间发展进行建模。同样，本方法可以用于对任意技术系统、例如燃气涡轮机和/或风力发电设备的观测量进行建模。

主权项

1.用于计算机辅助地学习递归神经网络以对动态系统建模的方法，所述动态系统在相应的时间点通过包括一个或多个观测量作为录入项的观测量矢量（y_t-6,y_t-5，…，y_t+3）表征，其中-递归神经网络包括因果网络（N1），所述因果网络描述在动态系统的第一状态矢量（s_t-6,s_t-5,...,s_t+3）之间的时间向前指向的信息流，其中第一状态矢量（s_t-6,s_t-5,...,s_t+3）在相应的时间点（t-6,t-5,…,t+3）包括一个或多个第一录入项（∆_t）以及动态系统的一个或多个隐藏状态，所述第一录入项分别被分配给观测量矢量（y_t-6,y_t-5，…，y_t+3）的录入项；-递归神经网络包括回归-因果网络（N2），所述回归-因果网络描述在动态系统的第二状态矢量（s’_t-6,s’_t-5,...,s’_t+3）之间的时间向后指向的信息流，其中第二状态矢量（s’_t-6,s’_t-5,...,s’_t+3）在相应的时间点（t-6,t-5,…,t+3）包括一个或多个第二录入项（∆’_t）以及动态系统的一个或多个隐藏状态，所述第二录入项分别被分配给观测量矢量（y_t-6,y_t-5，…，y_t+3）的录入项；-在递归神经网络中在相应的时间点（t-6,t-5,…,t+3），通过第一状态矢量（s_t-6,s_t-5,...,s_t+3）的第一录入项（∆_t）与第二状态矢量（s’_t-6,s’_t-5,...,s’_t+3）的第二录入项（∆’_t）的组合确定观测量矢量（y_t-6,y_t-5，…，y_t+3）；-因果网络（N1）和回归-因果网络（N2）基于训练数据被学习，所述训练数据包含时间相继的已知观测量矢量（y^d_t-3,y^d_t-2，…，y^d_t）的序列。