-
公开(公告)号：CN116701889A
公开(公告)日：2023-09-05
申请号：CN202310204915.3
申请日：2023-03-03
Applicant: 罗伯特·博世有限公司
Abstract: 用于确定基于数据的传感器模型的鲁棒性的方法和装置。本发明涉及一种用于确定关于所提供的、经过训练的基于数据的传感器模型的鲁棒性的鲁棒性量度的计算机实现的方法，该传感器模型用于评估具有至少一个信号时间序列的输入数据集，以便确定变点时间点，该方法具有如下步骤：‑为该传感器模型提供未标记的验证输入数据集；‑确定满足第一和/或第二鲁棒性标准的有效的验证输入数据集；‑确定有效的验证输入数据集占验证输入数据集的总数的比例，以便获得该鲁棒性量度。
-
公开(公告)号：CN116432021A
公开(公告)日：2023-07-14
申请号：CN202310037586.8
申请日：2023-01-10
Applicant: 罗伯特·博世有限公司
IPC: G06F18/214 , G06N3/04 , G06N3/08
Abstract: 本发明涉及提供训练数据来训练基于数据的系统模型的计算机实现的方法，所述基于数据的系统模型能用于通过规定根据输入参量所确定的用来确定技术系统根据其来运行的至少一个输出参量的数据点来运行技术系统，该方法具有如下步骤：‑提供训练数据，其利用与技术系统实际运行不同的场景来被确定或已经被确定，其中训练数据针对根据输入参量所确定的数据点来定义；‑在技术系统的实际运行中检测根据输入参量所确定的运行数据点；‑将训练数据划分成训练数据点和验证数据点；‑根据训练数据点来确定k最近邻树；‑确定在验证数据点中的每个验证数据点与指定数量的最接近的训练数据点之间的距离的距离值的第一分布。
-
公开(公告)号：CN116429442A
公开(公告)日：2023-07-14
申请号：CN202310028660.X
申请日：2023-01-09
Applicant: 罗伯特·博世有限公司
Abstract: 本发明涉及一种用于确定距离度量以确定距具有异构参量类的数据点的距离的计算机实现的方法，其具有如下步骤：提供（S1）训练数据记录，它们分别将数据点分配给标记并且它们被划分成训练集的训练数据点和验证集的验证数据点；利用训练集来训练（S2）基于数据的系统模型（4），使得系统模型（4）给数据点分别分配模型输出；针对验证集的每个验证数据点，确定（S3、S4）系统模型（4）的质量量度和距参量类中的每个参量类的最接近的训练数据点的距离值，其中距最接近的训练数据点的距离值关于相关参量类单独地被确定；确定（S5）参量类中的每个参量类的最大质量量度的距离值；而且根据参量类中的每个参量类的最大质量量度的距离值来确定距离度量。
-
公开(公告)号：CN112149789A
公开(公告)日：2020-12-29
申请号：CN202010586361.4
申请日：2020-06-24
Applicant: 罗伯特·博世有限公司
IPC: G06N3/02
Abstract: 用于实施功能测试的方法和设备。用于确定运行参量的方法和设备，该运行参量尤其是用于至少部分自主驾驶、操控执行器和/或图像处理的技术系统的测试、尤其是针对这种系统的图像处理的技术系统的测试，其特征在于，对于人工神经网络（100）的至少一个中间层（104）来说，根据输入数据来确定关于该至少一个中间层（104）的神经元（104‑1,...,104‑k）的激活状态的信息，其中除了该人工神经网络（100）的权重之外还针对这些神经元（104‑1,...,104‑k）中的至少一个神经元提供至少一个权重，其中根据该权重并且根据关于该激活状态的信息来确定该至少一个中间层（104）的神经元（104‑1,...,104‑k）的经加权的激活状态，而且其中该运行参量根据该经加权的激活状态来被确定。
-
公开(公告)号：CN116432020A
公开(公告)日：2023-07-14
申请号：CN202310037574.5
申请日：2023-01-10
Applicant: 罗伯特·博世有限公司
IPC: G06F18/214 , G06F18/24 , G06F18/25 , G06N3/04 , G06N3/084
Abstract: 用来训练和评估用于分类应用的评估模型的方法和装置。本发明涉及一种用于利用周期性确定的输入数据集来评估经过训练的基于数据的评估模型以确定用于控制或监控技术系统的模型输出的方法，该方法具有如下步骤：‑针对预先给定的数目的时间上连续的采样步长来采集输入数据集；‑将这些输入数据集组合成经过验证的输入数据集的输入数据包；‑借助于基于数据的评估模型来确定针对该输入数据包中的输入数据集中的每个输入数据集的评估结果，其中在每次评估时使该评估模型的一个或多个模型参数在数值上减小或者设置到0；‑将各个评估结果聚合，以便获得模型输出。
-
Patent Agency Ranking
公开(公告)号：CN116432002A
公开(公告)日：2023-07-14
申请号：CN202310030321.5
申请日：2023-01-09
Applicant: 罗伯特·博世有限公司
IPC: G06F18/213
Abstract: 用于提供和评估用于变点检测的传感器模型的方法和装置。本发明涉及用来评估用于确定传感器信号时间序列(S)中的变点时间点的基于数据的传感器模型(5)的方法，所述方法具有如下步骤：‑在传感器信号时间序列(S)的评估时间窗中提供(S2)评估信号时间序列(A)；‑根据所述评估信号时间序列(A)来确定(S3)彼此有时移或者分别彼此偏移多个采样步长的传感器信号片段(F1、F2、F3、F4)，其中所述传感器信号片段(F1、F2、F3、F4)具有比所述评估信号时间序列更短的长度；‑借助于FFT或者格兹尔算法，根据所述传感器信号片段(F1、F2、F3、F4)来确定(S4)一个或多个频率贡献；‑在经过训练的基于数据的传感器模型(5)中评估(S5、S6)所述频率贡献，以便确定在所述评估时间窗内的变点时间点。
-
公开(公告)号：CN116136972A
公开(公告)日：2023-05-19
申请号：CN202211415702.7
申请日：2022-11-11
Applicant: 罗伯特·博世有限公司
IPC: G06N20/00 , G06F18/214 , G06F18/22 , G06F18/2135
Abstract: 本发明涉及一种用来生成用于训练机器学习算法的训练数据的方法，其中所述训练数据分别具有数据点和被分配给所述数据点的数据值，而且其中所述方法具有如下步骤：提供用于训练所述机器学习算法的第一训练数据（2）；对所述第一训练数据的数据点的至少一部分所在的流形进行近似（3）；确定在所述流形中的所述第一训练数据的数据点的所述至少一部分的结构（4）；而且基于在所述流形中的所述第一训练数据的数据点的所述至少一部分的结构来生成附加训练数据（5）。
-
公开(公告)号：CN116075829A
公开(公告)日：2023-05-05
申请号：CN202180061961.1
申请日：2021-09-10
Applicant: 罗伯特·博世有限公司
IPC: G06N3/04
Abstract: 本发明涉及一种用于通过基于传感器信号(S)来确定喷射阀(6)的打开或者关闭时刻而运行喷射阀(6)的方法，该方法具有下列步骤：‑通过对喷射阀的传感器的传感器信号进行采样，提供(S1，S2)评估点时间序列(Z)；‑使用(S3)非线性的、基于数据的第一子模型(21)，以便基于评估点时间序列(Z)来获得第一输出向量(A1)，其中所述第一输出向量的每个元素都分配给确定的时刻；‑使用(S4)线性的、基于数据的第二子模型(22)，以便基于评估点时间序列(Z)来获得第二输出向量(A2)，其中所述第二输出向量(A2)的每个元素都分配给确定的时刻；‑根据所述第二输出向量(A2)，限制(S5，S6)通过第一输出向量(A1)确定的时刻，以便获得打开或者关闭时刻。
-
公开(公告)号：CN115045775A
公开(公告)日：2022-09-13
申请号：CN202210218407.6
申请日：2022-03-08
Applicant: 罗伯特·博世有限公司
Inventor： K·格劳
Abstract: 本发明涉及一种用于基于传感器信号训练基于数据的时间点确定模型以确定内燃机的喷射阀（6）的打开或关闭时间点的计算机实现的方法，具有以下步骤：提供（S1，S2，S3）训练数据集的集合，特别是根据通过在试验台上采样喷射阀（6）的传感器的传感器信号而对内燃机进行的测量，其中训练数据集向评估点时间序列分配打开或关闭时间点的时间信息；为每个训练数据集分配难度值，其中每个难度值说明所涉及训练数据集的时间信息的一致性，对应于训练数据集的相应难度值将训练数据集分类（S4，S5）为一定数量的难度类别；根据分配给每个难度类别的训练数据集确定（S7）新的训练数据集；使用新的训练数据集的集合来训练（S8）基于数据的时间点确定模型。
-
公开(公告)号：CN112149790A
公开(公告)日：2020-12-29
申请号：CN202010587679.4
申请日：2020-06-24
Applicant: 罗伯特·博世有限公司
Abstract: 一种用于检查具有多个输出的人工神经网络（60）的鲁棒性的计算机实现的方法，根据公共隐藏层的特征图的激活在所述多个输出处分别提供取决于输送给所述人工神经网络（60）的输入变量（x）的输出变量（y1...y3），特别是所述输入变量的至少一部分的分类和/或分割，其中所述特征图的激活（α）的值变化，其中检查然后提供的输出变量（y1...y3）相互间的一致性并根据所述一致性判定所述人工神经网络（60）是否鲁棒。
-
-
-
-
-
-
-
-
-
Search Results
31
records
(took 0.024 seconds)
