专利快速检索-快速检索全球专利，免费商用专利数据库-IPRDB

1. 发明申请

WO2013023887A1 VERFAHREN ZUR RECHNERGESTÜTZTEN MODELLIERUNG EINES TECHNISCHEN SYSTEMS 审中-公开
标题翻译：方法计算机辅助建模技术体系
公开(公告)号：WO2013023887A1
公开(公告)日：2013-02-21
申请号：PCT/EP2012/064529
申请日：2012-07-24
申请人： SIEMENS AKTIENGESELLSCHAFT , CLEVE, Jochen , GROTHMANN, Ralph , HEESCHE, Kai , TIETZ, Christoph , ZIMMERMANN, Hans-Georg
发明人： CLEVE, Jochen , GROTHMANN, Ralph , HEESCHE, Kai , TIETZ, Christoph , ZIMMERMANN, Hans-Georg
IPC分类号： G06N3/04 , G06Q50/06
CPC分类号： G06N3/10 , G06N3/04
摘要： Die Erfindung betrifft ein Verfahren zur rechnergestützten Modellierung eines technischen Systems, bei dem ein oder mehrere Ausgabevektoren in Abhängigkeit von einem oder mehreren Eingabevektoren durch das Lernen eines neuronalen Netzes (NN) basierend auf Trainingsdaten aus bekannten Eingabevektoren und Ausgabevektoren modelliert werden, wobei ein jeweiliger Ausgabevektor eine oder mehrere Betriebsgrössen des technischen Systems und ein jeweiliger Eingabevektor eine oder mehrere, die Betriebsgrösse oder Betriebsgrössen beeinflussende Eingangsgrössen umfasst. Das neuronale Netz (NN) ist dabei ein Feed-Forward-Netz mit einer Eingabeschicht (I), einer Mehrzahl von versteckten Schichten (H1, H2, H3) und einer Ausgabeschicht (O). Dieses Netz zeichnet sich dadurch aus, dass die Ausgabeschicht (O) eine der Mehrzahl von versteckten Schichten (H1, H2, H3) entsprechende Mehrzahl von Ausgabeclustern (O1, O2, O3) aus jeweils einem oder mehreren Ausgabeneuronen umfasst, wobei jeder Ausgabecluster (O1, O2, O3) den gleichen Ausgabevektor beschreibt und mit einer anderen versteckten Schicht (H1, H2, H3) verbunden ist. Das erfindungsgemässe Verfahren eignet sich insbesondere zur Modellierung eines technischen Systems in der Form einer regenerativen Energieerzeugungsanlage, wie z.B. einer Windkraftanlage oder einer Solarenergieanlage. Dabei prädiziert das neuronale Netz vorzugsweise zukünftige, von der Energieerzeugungsanlage generierte Energiemengen in Abhängigkeit von prognostizierten Wetterdaten.
摘要翻译：本发明涉及一种方法的计算机辅助建模技术系统，其中一个或由神经网络（NN）的学习在一个或多个输入向量依赖性的多个输出向量来基于已知的输入向量的训练数据和输出向量，各自的输出向量的模型或技术系统和相应的输入矢量的多个操作参数包括一个或多个中，操作变量或影响输入变量的操作变量。神经网络（NN）是一个前馈网络的输入层（I），多个隐藏层（H1，H2，H3）和输出层（O）。该网络的特征在于，输出层（O）的一个所述在每种情况下多个隐藏层（H1，H2，H3）对应的多个输出集群（O1，O2，O3）的包括一个或多个输出神经元，每个输出簇（O1 ，O2，O3）描述相同的输出向量，并用另一个隐藏层（H1，H2，H3）连接。本发明的方法特别适合于在一个可再生能源发电系统的形式进行建模技术系统，如风力发电站或太阳能发电厂。在这种情况下，神经网络优选预测的未来，通过根据预测的天气数据的发电设备的能量产生的。

2. 发明申请

WO2012113634A1 VERFAHREN ZUM RECHNERGESTÜTZTEN LERNEN EINES REKURRENTEN NEURONALEN NETZES ZUR MODELLIERUNG EINES DYNAMISCHEN SYSTEMS 审中-公开
标题翻译：对于计算机方法辅助学习一个经常性的神经网络建模动态系统
公开(公告)号：WO2012113634A1
公开(公告)日：2012-08-30
申请号：PCT/EP2012/051822
申请日：2012-02-03
申请人： SIEMENS AKTIENGESELLSCHAFT , ZIMMERMANN, Hans-Georg , GROTHMANN, Ralph , TIETZ, Christoph
发明人： ZIMMERMANN, Hans-Georg , GROTHMANN, Ralph , TIETZ, Christoph
IPC分类号： G06N3/04
CPC分类号： G06N3/0454
摘要： Die Erfindung betrifft ein Verfahren zum rechnergestützten Lernen eines rekurrenten neuronalen Netzes zur Modellierung eines dynamischen Systems, das zu jeweiligen Zeitpunkten durch einen Observablenvektor umfassend ein oder mehrere Observablen als Einträge charakterisiert wird. Erfindungsgemäß wird sowohl ein kausales Netz mit einem zeitlich vorwärts gerichteten Informationsfluss als auch ein retro-kausales Netz mit einem zeitlich rückwärts gerichteten Informationsfluss gelernt. Die Zustände des dynamischen Systems werden in dem kausalen Netz durch erste Zustandsvektoren und in dem retro-kausalen Netz durch zweite Zustandsvektoren charakterisiert, welche jeweils Observablen des dynamischen Systems sowie versteckte Zustände des dynamischen Systems enthalten. Die Observablen der ersten Zustandsvektoren werden durch einen ersten Differenzvektor korrigiert, der beim Lernen des kausalen Netzes den Unterschied zwischen den Observablen des ersten Zustandsvektors und den Observablen eines bekannten Observablenvektors aus Trainingsdaten beschreibt. Das erfindungsgemäße Verfahren zeichnet sich dadurch aus, dass das retro-kausale Netz einen separaten zweiten Differenzvektor umfasst, mit dem die Observablen des zweiten Zustandsvektoren korrigiert werden und welche beim Lernen des retro-kausalen Netzes den Unterschied zwischen den Observablen des zweiten Zustandsvektors und einem bekannten Observablenvektor aus Trainingsdaten beschreibt. Das Verfahren ist dynamisch stabil und eignet sich insbesondere zur Modellierung der zeitlichen Entwicklung von Energiepreisen und/oder Rohstoffpreisen. Ebenso kann das Verfahren zur Modellierung von Observablen beliebiger technischer Systeme eingesetzt werden, wie z.B. Gasturbinen und/oder Windkraftanlagen.
摘要翻译：本发明涉及一种用于计算机辅助学习用于建模动态系统，它被广泛用Observablenvektor一个或多个观测作为条目，其特征在于，在各时间点的回归神经网络的方法。根据本发明，都与前向时间信息流和复古因果网络的因果网络与向后时间信息流获知。由第一状态向量和由第二状态向量的逆向因果网络的动态系统的状态的特征在于在因果网络中，动态系统的各自含有可观测量以及动态系统的状态隐藏。第一状态向量的可观测量是由描述在研究因果网络的第一状态向量的从训练数据的已知Observablenvektors的观测量和观测之间的差的第一差矢量校正。本发明的方法的特征在于，在复古因果网络包括与第二状态矢量的观测量进行校正和一个独立的第二差分载体，其在所述后向因果网络学习的第二状态向量的可观测量和已知Observablenvektor之间的差值时从训练数据描述。该过程是稳定的，特别适合于建模的能源价格和/或原材料价格的时间发展。另外，也可以用于模拟任何可观的技术系统的方法中，例如燃气涡轮机和/或风力涡轮机。

3. 发明申请

WO2006061320A3 VERFAHREN UND ANORDNUNG SOWIE COMPUTERPROGRAMM MIT PROGRAMMCODE-MITTELN UND COMPUTERPROGRAMM-PRODUKT ZUR ERMITTLUNG EINES ZUKÜNFTIGEN SYSTEMZUSTANDES EINES DYNAMISCHEN SYSTEMS 审中-公开
公开(公告)号：WO2006061320A3
公开(公告)日：2006-06-15
申请号：PCT/EP2005/056132
申请日：2005-11-22
申请人： SIEMENS AKTIENGESELLSCHAFT , ZIMMERMANN, Hans-Georg , GROTHMANN, Ralph , TIETZ, Christoph
发明人： ZIMMERMANN, Hans-Georg , GROTHMANN, Ralph , TIETZ, Christoph
IPC分类号： G06N3/04
摘要： Anordnung zur Ermittlung eines zukünftigen Systemzustandes eines dynamischen Systems mit miteinander verknüpften Rechenelementen eines neuronalen Netzes, welche Rechenelemente jeweils einen Zustand des Systems und welche Verknüpfungen jeweils eine Transformation, welche unter Verwendung von Transformationsparametern durchführbar ist, zwischen zwei Zuständen des Systems repräsentieren, bei welcher Anordnung die Verknüpfung zwischen zwei Zustandsrechenelementen eine mittelbare Verknüpfung (Z2-Z1, Z1-Z3) ist, welche wenigstens eine Konsistenztransformation (C ≤ , C > , C) und die Zeittransformation (A) umfasst, und bei welcher die mittelbare Verknüpfung (Z2-Z1) zwischen dem zweiten Zustandsrechenelement (Z2) und dem ersten Zustandsrechenelement (Z1), und die mittelbare Verknüpfung (Z1-Z3) zwischen dem ersten Zustandsrechenelement (Z1) und dem dritten Zustandsrechenelement (Z3) unterschiedlich sind.

4. 发明申请

WO2004107066A1 VERFAHREN SOWIE COMPUTERPROGRAMM MIT PROGRAMMCODE-MITTELN UND COMPUTERPROGRAMM-PRODUKT ZUR ERMITTLUNG EINES ZUKÜNFTIGEN SYSTEMVERHALTENS EINES DYNAMISCHEN SYSTEMS 审中-公开
标题翻译：方法和计算机程序具有程序代码手段和计算机程序产品确定动态系统的未来系统行为
公开(公告)号：WO2004107066A1
公开(公告)日：2004-12-09
申请号：PCT/EP2004/050468
申请日：2004-04-07
申请人： SIEMENS AKTIENGESELLSCHAFT , GROTHMANN, Ralph , TIETZ, Christoph , ZIMMERMANN, Hans-Georg
发明人： GROTHMANN, Ralph , TIETZ, Christoph , ZIMMERMANN, Hans-Georg
IPC分类号： G05B13/02
CPC分类号： G05B13/027
摘要： Bei der Erfindung wird unter Verwendung eines bekannten Systemsverhaltens des dynamischen Systems durch einen Ähnlichkeitsvergleich eine Näherung für das zukünftige Systemverhalten ermittelt ("Similarity Analysis"). Anschließend wird unter Verwendung der Näherung für das zukünftige Systemverhalten des dynamischen Systems und unter Verwendung einer neuronalen Netzstruktur', insbesondere eines Causal-Retro-Causal Networks, das zukünftige Systemverhalten ermittelt ("Causality Analysis").
摘要翻译：在本发明中，对于未来的系统行为的近似被确定（“相似性分析”）使用动态系统的已知系统行为由一个相似性比较。然后，使用用于动态系统的未来系统行为的近似和使用神经网络结构”，尤其是因果复古因果网络中，未来的系统行为被确定（‘因果关系分析’）。

5. 发明申请

WO2012113635A1 VERFAHREN ZUM RECHNERGESTÜTZTEN LERNEN EINES REKURRENTEN NEURONALEN NETZES ZUR MODELLIERUNG EINES DYNAMISCHEN SYSTEMS 审中-公开
标题翻译：对于计算机方法辅助学习一个经常性的神经网络建模动态系统
公开(公告)号：WO2012113635A1
公开(公告)日：2012-08-30
申请号：PCT/EP2012/051823
申请日：2012-02-03
申请人： SIEMENS AKTIENGESELLSCHAFT , ZIMMERMANN, Hans-Georg , GROTHMANN, Ralph , STERZING, Volkmar , TIETZ, Christoph
发明人： ZIMMERMANN, Hans-Georg , GROTHMANN, Ralph , STERZING, Volkmar , TIETZ, Christoph
IPC分类号： G06N3/04 , G06N3/08
CPC分类号： G06N3/0454 , G06N3/084 , Y04S10/54
摘要： Die Erfindung betrifft ein Verfahren zum rechnergestützten Lernen eines rekurrenten neuronalen Netzes zur Modellierung eines dynamischen Systems, das zu jeweiligen Zeitpunkten durch einen Observablenvektor umfassend ein oder mehrere Observablen als Einträge charakterisiert wird. Das rekurrente neuronale Netz umfasst dabei ein erstes kausales Netz, welches erste Zustandsvektoren des dynamischen Systems zu aufeinander folgenden Zeitpunkten über eine Gewichtsmatrix koppelt. Im Rahmen des Lernens des rekurrenten neuronalen Netzes wird für jeden ersten Zustandsvektor des kausalen Netzes ein sogenanntes Teacher-Forcing mit Hilfe eines Differenzvektors durchgeführt. Das erfindungsgemässe Verfahren zeichnet sich dadurch aus, dass das rekurrente neuronale Netz ferner zumindest ein zweites kausales Netz umfasst, welches analog zum ersten kausalen Netz aufgebaut ist und in welchem zweite Zustandsvektoren über die gleiche Gewichtsmatrix wie im ersten kausalen Netz miteinander gekoppelt sind. Das zumindest eine zweite kausale Netz unterscheidet sich vom ersten kausalen Netz jedoch darin, dass nur für einen Teil der zweiten Zustandsvektoren ein Teacher-Forcing durchgeführt wird. Auf diese Weise wird ein verbessertes Lernen des neuronalen Netzes erreicht, so dass das gelernte neuronale Netz bessere Langzeitprognosen des entsprechend modellierten dynamischen Systems liefert. Das Verfahren eignet sich insbesondere zur Modellierung der zeitlichen Entwicklung von Energiepreisen und/oder Rohstoffpreisen. Ebenso kann das Verfahren zur Modellierung von Observablen beliebiger technischer Systeme eingesetzt werden, wie z.B. Gasturbinen und/oder Windkraftanlagen.
摘要翻译：本发明涉及一种用于计算机辅助学习用于建模动态系统，它被广泛用Observablenvektor一个或多个观测作为条目，其特征在于，在各时间点的回归神经网络的方法。在这种情况下，回归神经网络包括第一因果网络中，所述由权重矩阵耦合连续的时间点动态系统的第一状态向量。作为学习所谓的教师强迫与差矢量的援助因果网络的每个第一状态向量执行递归神经网络的一部分。本发明的方法的特征在于，所述回归神经网络还包括至少一个第二因果网络，其结构类似于第一因果网络，并且其中第二状态矢量经由相同的加权矩阵耦合在一起作为第一因果网络。然而，所述至少一个第二因果网络从所述第一因果网络不同的是，一个教师迫使仅第二状态向量的一部分被执行。通过这种方式，实现了神经网络的改进学习，使训练的神经网络提供了相应的模拟动态系统的更好的长期预测。该方法特别适合于建模的能源价格和/或原材料价格的时间发展。另外，也可以用于模拟任何可观的技术系统的方法中，例如燃气涡轮机和/或风力涡轮机。

6. 发明申请

WO2011128313A1 VERFAHREN ZUM RECHNERGESTÜTZTEN LERNEN EINES REKURRENTEN NEURONALEN NETZES ZUR MODELLIERUNG EINES DYNAMISCHEN SYSTEMS 审中-公开
标题翻译：对于计算机方法辅助学习一个经常性的神经网络建模动态系统
公开(公告)号：WO2011128313A1
公开(公告)日：2011-10-20
申请号：PCT/EP2011/055664
申请日：2011-04-12
申请人： SIEMENS AKTIENGESELLSCHAFT , ZIMMERMANN, Hans-Georg , GROTHMANN, Ralph , TIETZ, Christoph
发明人： ZIMMERMANN, Hans-Georg , GROTHMANN, Ralph , TIETZ, Christoph
IPC分类号： G06N3/08
CPC分类号： G06N3/08
摘要： Die Erfindung betrifft ein Verfahren zum rechnergestützten Lernen eines rekurrenten neuronalen Netzes zur Modellierung eines dynamischen Systems, das zu jeweiligen Zeitpunkten durch einen Observablenvektor umfassend eine oder mehrere Observablen als Einträge charakterisiert wird. Erfindungsgemäß wird dabei ein neuronales Netz gelernt, welches sowohl ein kausales Netz mit einem zeitlich vorwärts gerichteten Infor- mationsfluss als auch ein retro-kausales Netz mit einem zeitlich rückwärts gerichteten Informationsfluss umfasst. Die Zustände des dynamischen Systems werden in dem kausalen Netz durch erste Zustandsvektoren und in dem retro-kausalen Netz durch zweite Zustandsvektoren charakterisiert, welche jeweils Observablen des dynamischen Systems sowie versteckte Zustände des dynamischen Systems enthalten. Beide Netze werden über die Kombination der Observablen der entsprechenden ersten und zweiten Zustandsvektoren miteinander verknüpft und basierend auf Trainingsdaten umfassend bekannte Observablenvektoren gelernt. Das erfindungsgemäße Verfahren zeichnet sich dadurch aus, dass auch dynamische Systeme modelliert werden können, bei denen prognostizierte zukünftige Observablen einen Einfluss auf den aktuellen Wert der Observablen haben. Das Verfahren eignet sich insbesondere zur Modellierung der zeitlichen Entwicklung von Energiepreisen und/oder Rohstoffpreisen. Ebenso kann das Verfahren zur Modellierung von Observablen beliebiger technischer Systeme eingesetzt werden, wie z.B. Gasturbinen und/oder Windkraftanlagen.
摘要翻译：本发明涉及一种用于计算机辅助学习用于建模的动态系统，它是由包含一个或多个观测作为条目的Observablenvektor其特征在于，在各时间点的回归神经网络的方法。根据本发明，这种情况下，神经网络中教导，其包括两个因果网络具有前时间信息流和复古因果网络与向后的时间信息流。由第一状态向量和由第二状态向量的逆向因果网络的动态系统的状态的特征在于在因果网络中，动态系统的各自含有可观测量以及动态系统的状态隐藏。两个网络经由相应的第一和第二状态向量的可观察量的组合彼此连接并基于已知的训练Observablenvektoren数据其包括获知。本发明的方法的特征在于，动力系统可被建模，其中未来的可观测量预测的观测具有的当前值产生影响。该方法特别适合于建模的能源价格和/或原材料价格的时间发展。另外，也可以用于模拟任何可观的技术系统的方法中，例如燃气涡轮机和/或风力涡轮机。

7. 发明申请

WO2003079285A3 VERFAHREN UND ANORDNUNG SOWIE COMPUTERPROGRAMM MIT PROGRAMMCODE-MITTELN UND COMPUTERPROGRAMM-PRODUKT ZUR GEWICHTUNG VON EINGANGSGRÖSSEN FÜR EINE NEURONALE STRUKTUR SOWIE NEURONALE STRUKTUR 审中-公开
公开(公告)号：WO2003079285A3
公开(公告)日：2003-09-25
申请号：PCT/DE2003/000756
申请日：2003-03-10
申请人： SIEMENS AKTIENGESELLSCHAFT , TIETZ, Christoph , ZIMMERMANN, Hans-Georg
发明人： TIETZ, Christoph , ZIMMERMANN, Hans-Georg
IPC分类号： G06N3/04
摘要： Die Erfindung betrifft eine neuronale Struktur zur Modellierung eines dynamischen Systems, deren Struktur eine automatische zeitvariante Gewichtung von Einflussgrößen des Systems ermöglicht. Dazu weist die neuronale Struktur eine erste neuronale Teilstruktur auf, deren erstes Abbildungsverhalten ein Vorwärtsverhalten des dynamischen Systems beschreibt, und eine zweite neuronale Teilstruktur auf, deren zweites Abbildungsverhalten ein Rückwärtsverhalten des dynamischen Systems beschreibt. Die Teilstrukturen sind derart miteinander gekoppelt, dass Abweichungen zwischen ersten Eingangsgrößen der ersten neuronalen Struktur und zweiten Ausgangsgrößen der zweiten neuronalen Struktur ermittelbar sind, unter Verwendung welcher die Gewichtung realisierbar ist.

8. 发明申请

WO2003079285A2 VERFAHREN UND ANORDNUNG SOWIE COMPUTERPROGRAMM MIT PROGRAMMCODE-MITTELN UND COMPUTERPROGRAMM-PRODUKT ZUR GEWICHTUNG VON EINGANGSGRÖSSEN FÜR EINE NEURONALE STRUKTUR SOWIE NEURONALE STRUKTUR 审中-公开
标题翻译：方法和装置及计算机程序具有程序代码手段和接触输入计算机程序的产品尺寸的神经结构和神经结构
公开(公告)号：WO2003079285A2
公开(公告)日：2003-09-25
申请号：PCT/DE2003/000756
申请日：2003-03-10
申请人： SIEMENS AKTIENGESELLSCHAFT , TIETZ, Christoph , ZIMMERMANN, Hans-Georg
发明人： TIETZ, Christoph , ZIMMERMANN, Hans-Georg
IPC分类号： G06N
CPC分类号： G06N3/0454 , G06N3/08
摘要： Die Erfindung betrifft eine neuronale Struktur zur Modellierung eines dynamischen Systems, deren Struktur eine automatische zeitvariante Gewichtung von Einflussgrößen des Systems ermöglicht. Dazu weist die neuronale Struktur eine erste neuronale Teilstruktur auf, deren erstes Abbildungsverhalten ein Vorwärtsverhalten des dynamischen Systems beschreibt, und eine zweite neuronale Teilstruktur auf, deren zweites Abbildungsverhalten ein Rückwärtsverhalten des dynamischen Systems beschreibt. Die Teilstrukturen sind derart miteinander gekoppelt, dass Abweichungen zwischen ersten Eingangsgrößen der ersten neuronalen Struktur und zweiten Ausgangsgrößen der zweiten neuronalen Struktur ermittelbar sind, unter Verwendung welcher die Gewichtung realisierbar ist.
摘要翻译：本发明涉及一种神经结构建模的动态系统，其结构使得系统的自动随时间变化的加权因子。为了这个目的，所述神经结构中，具有一个第一成像特性的第一神经部分结构描述的动态系统的前向行为，以及第二部分的神经结构，其第二成像行为描述了动态系统的反向响应。部分结构被耦合到彼此，使得能够确定第一神经结构的第一输入变量和第二神经结构的第二输出端之间的偏差，利用该权重来实现。

9. 发明申请

WO2005055133A2 VERFAHREN UND ANORDNUNG SOWIE COMPUTERPROGRAMM MIT PROGRAMMCODE-MITTELN UND COMPUTERPROGRAMM-PRODUKT ZUR ERMITTLUNG EINES ZUKÜNFTIGEN SYSTEMZUSTANDES EINES DYNAMISCHEN SYSTEMS 审中-公开
标题翻译：方法和装置及计算机程序具有程序代码手段和计算机程序产品确定未来的系统状态的动态系统
公开(公告)号：WO2005055133A2
公开(公告)日：2005-06-16
申请号：PCT/EP2004/053171
申请日：2004-11-30
申请人： SIEMENS AKTIENGESELLSCHAFT , TIETZ, Christoph , ZIMMERMANN, Hans-Georg
发明人： TIETZ, Christoph , ZIMMERMANN, Hans-Georg
IPC分类号： G06N3/04
CPC分类号： G06N3/049
摘要： Die Erfindung betrifft eine neuronale Anordnung, d.h. eine Netzstruktur eines rekurrenten neuronalen Netzes, welche für eine Prognose eines Zustandes eines dynamischen Systems geeignet ist, sowie eine Abbildung, welche ein Systemverhalten eines dynamischen Systems beschreibt und geeignet ist, einen Zustand des dynamischen Systems zu prognostizieren. Dabei werden Zustandsgrößen des Systems zu einem ersten Zeitpunkt einer Raumtransformation unterzogen werden, welche die Zustandsgrößen von einem Zustandsraum in einen Transformationsraum transformiert. Die in den Transformationsraum transformierten Zustandsgrößen werden einer Zeittransformation unterzogen, welche die in den Transformationsraum transformierten Zustandsgrößen von dem ersten Zeitpunkt auf einen zukünftigen, zweiten Zeitpunkt transformiert. Die auf den zukünftigen, zweiten Zeitpunkt transformierten Zustandsgrößen werden einer Raumtransformation unterzogen werden, welche die auf den zukünftigen, zweiten Zeitpunkt transformierten Zustandsgrößen von dem Transformationsraum in den Zustandsraum rücktransformiert. Sowohl die von dem Zustandsraum in den Transformationsraum transformierten Zustandsgrößen als auch die von dem Transformationsraum in den Zustandsraum transformierten Zustandsgrößen weisen jeweils sowohl Einflussgrößen des dynamischen Systems als auch mindestens eine durch die Einflussgrößen beeinflusste Zielgröße des dynamischen Systems auf. Transformationsparameter zur Durchführung der Raumtransformationen sind fest sind; Transformationsparameter zur Durchführung der Zeittransformation sind variabel.
摘要翻译：本发明涉及神经构型，即一个回归神经网络的网络结构，其适合于动态系统的状态的预测，并且其描述了一种动态系统的系统行为，并适合于预测的动态系统的状态的图。在这种情况下，该系统的状态变量将在第一时间经受空间变换，其将一个状态空间的状态变量变换为变换空间。中相应的变换空间状态变量转化经受时间变换，其将在从第一时间的变换空间的状态变量的变换到未来，在第二时间点。经变换的未来，第二时间状态量进行空间变换，其将变换回到未来，在状态空间中的变换空间的第二时间状态变量。无论是从状态空间到变换空间的状态变量以及经变换的通过在状态空间状态变量各自具有的动态系统的两个影响变量和至少一个由所述动力系统的作用变量的目标的影响的变换空间变换。变换参数用于进行变换铺设的空间; 用于执行时间变换的变换参数是可变的。

10. 发明申请

WO2022069466A1 ERMITTLUNG EINER PROGNOSE FÜR EINEN ZEITHORIZONT IN DER ZUKUNFT AUF BASIS EINES ZEITHORIZONTS AUS DER VERGANGENHEIT, INSBESONDERE VORHERSAGE EINES SCHADSTOFFWERTES IN DER LUFT 审中-公开
公开(公告)号：WO2022069466A1
公开(公告)日：2022-04-07
申请号：PCT/EP2021/076631
申请日：2021-09-28
申请人： SIEMENS AKTIENGESELLSCHAFT
发明人： ZIMMERMANN, Hans-Georg , TIETZ, Christoph , TOKIC, Michel , VON BEUNINGEN, Anja
IPC分类号： G06N3/04 , G06N3/08
摘要： Die Erfindung betrifft insbesondere eine computerimplementierte technische Lehre zur Vorhersage von wenigstens einem Schadstoffwert in der Luft durch ein neuronales Netz für einen festgelegten zukünftigen Zeitraum, wobei das neuronale Netz eine Korrelation zwischen Schadstoffwerten und Wetterdaten in Abhängigkeit von der Zeit abbildet, zumindest ein weiteres neuronales Netz ein Abweichungsmuster zwischen in einem vergangenen Zeitraum vorhergesagten und gemessenen Werten ermittelt und der für den zukünftigen Zeitraum vorhergesagte Schadstoffwert mit Hilfe einer von dem zumindest einen weiteren neuronalen Netz vorhergesagten Abweichung korrigiert wird.

你已经成功收藏专利！

检索式保存成功!

IPRDB

热门服务

关于我们

友情链接

联系方式