公开(公告)号：CN113168572B

公开(公告)日：2025-03-04

申请号：CN201980084702.3

申请日：2019-11-28

Applicant: 罗伯特·博世有限公司

Inventor： F·施密特 ,  T·萨克塞

IPC: G06F18/24 ,  G06F18/214 ,  G06N3/047 ,  G06N3/084

Abstract: 一种用于提供用于操控执行器（10）的操控信号（A）的方法，其中根据神经网络（60）的输出信号（y）来确定所述操控信号（A），其特征在于，所述神经网络（60）包括缩放层（S4），其中所述缩放层将附在所述缩放层（S4）的输入上的输入信号（z4）映射到附在所述缩放层（S4）的输出上的输出信号（z5），使得所述映射对应于输入信号（z4）到可预先给定的值域上的投影，其中可预先给定表征所述映射的参数（ρ,c）。

公开(公告)号：CN113168571A

公开(公告)日：2021-07-23

申请号：CN201980084326.8

申请日：2019-11-27

Applicant: 罗伯特·博世有限公司

Inventor： F·施密特 ,  T·萨克塞

IPC: G06N3/08

Abstract: 用于训练神经网络（60）的计算机实现的方法，所述神经网络尤其被设立用于对物理测量参量进行分类，其中在供应输入信号（x）和所属的所希望的输出信号（yT）的情况下根据神经网络（60）的输出信号（y）来进行对神经网络（60）的参数（θ）的适配，其中对这些参数（θ）的适配根据所确定的梯度（g）来进行，其特征在于，所确定的梯度（g）的分量（）根据与这些分量相对应的参数（θ）属于神经网络的哪个层（S1,...,S5）来被缩放。

公开(公告)号：CN113168571B

公开(公告)日：2025-04-29

申请号：CN201980084326.8

申请日：2019-11-27

Applicant: 罗伯特·博世有限公司

Inventor： F·施密特 ,  T·萨克塞

IPC: G06N3/084

Abstract: 用于训练神经网络（60）的计算机实现的方法，所述神经网络尤其被设立用于对物理测量参量进行分类，其中在供应输入信号（x）和所属的所希望的输出信号（yT）的情况下根据神经网络（60）的输出信号（y）来进行对神经网络（60）的参数（θ）的适配，其中对这些参数（θ）的适配根据所确定的梯度（g）来进行，其特征在于，所确定的梯度（g）的分量（#imgabs0#）根据与这些分量相对应的参数（θ）属于神经网络的哪个层（S1,...,S5）来被缩放。

公开(公告)号：CN114072815A

公开(公告)日：2022-02-18

申请号：CN202080049721.5

申请日：2020-06-17

Applicant: 罗伯特·博世有限公司

Inventor： F·施密特 ,  T·萨克塞

IPC: G06N3/08

Abstract: 用于训练人工神经网络KNN（1）的方法（100），所述KNN包括多个处理单元（2），其中优化表征所述KNN（1）行为的参数（12）（110），目的是所述KNN（1）根据成本函数（16）将学习输入参量值（11a）尽可能好地映射为相关联的学习输出参量值（13a），其中将至少一个处理单元（2）的输出（2b）与随机值x相乘（112），并且然后作为输入（2a）输送到至少一个另外的处理单元（2'）（113），其中以概率密度函数（4a）从随机变量（4）中提取随机值x（111），所述概率密度函数（4a）与在|x‑q|中随着|x‑q|的增加而下降的指数函数成比例，其中q是可自由选择的位置参数，并且其中在所述指数函数的自变量中，|x‑q|包含在幂|x‑q|k中，其中k≤1。用于训练和运行人工神经网络KNN（1）的方法（200）。

公开(公告)号：CN114341887A

公开(公告)日：2022-04-12

申请号：CN202080063529.1

申请日：2020-07-28

Applicant: 罗伯特·博世有限公司

Inventor： F·施密特 ,  C·哈瑟-舒尔茨 ,  T·萨克塞

IPC: G06N3/04 ,  G06N3/08

Abstract: 人工神经网络KNN（1）具有处理层（21‑23），每个处理层都被构造为根据所述KNN（1）的可训练参数（20）将输入变量（21a‑23a）处理为输出变量（21b‑23b），其中在至少一个处理层（21‑23）中和/或在至少两个处理层（21‑23）之间连接至少一个标准化器（3），其中所述标准化器（3）‑包括翻译元件（3a），所述翻译元件被构造为使用预给定的变换（3a'）将引入所述标准化器（3）的输入变量（31）翻译为一个或多个输入向量（32），其中每个输入变量（31）恰好进入一个输入向量（32）中；‑包括标准化元件（3b），所述标准化元件被构造为基于标准化函数（33）将所述一个或多个输入向量（32）标准化为一个或多个输出向量（34），其中所述标准化函数（33）具有至少两个不同的机制（33a，33b），并根据所述输入向量（32）在点处和/或在区域中的范数（32a）在所述机制（33a，33b）之间切换，所述点和/或所述区域的位置取决于预给定参数ρ；以及‑包括回译元件（3c），所述回译元件被构造为使用预给定变换（3a'）的逆（3a''）将所述输出向量（34）翻译为输出变量（35），所述输出变量与输送给所述标准化器（3）的输入变量（31）具有相同的维度。

公开(公告)号：CN113243021A

公开(公告)日：2021-08-10

申请号：CN201980084359.2

申请日：2019-11-28

Applicant: 罗伯特·博世有限公司

Inventor： F·施密特 ,  T·萨克塞

IPC: G06N3/08

Abstract: 用于训练神经网络（60）的计算机实现的方法，所述神经网络尤其被设立用于对物理测量参量进行分类，其中所述神经网络（60）借助于训练数据集（X）来被训练，其中为了进行所述训练，从所述训练数据集（X）中抽取包括输入信号（x）和所属的所希望的输出信号（yT）的对，其中在供应所述输入信号（x）的情况下并且根据所希望的输出信号（yT）根据所述神经网络（60）的输出信号（y）来进行对所述神经网络（60）的参数（θ）的适配，其特征在于，始终从整个训练数据集（X）中实现对的所述抽取。

公开(公告)号：CN113168572A

公开(公告)日：2021-07-23

申请号：CN201980084702.3

申请日：2019-11-28

Applicant: 罗伯特·博世有限公司

Inventor： F·施密特 ,  T·萨克塞

IPC: G06N3/08

Abstract: 一种用于提供用于操控执行器（10）的操控信号（A）的方法，其中根据神经网络（60）的输出信号（y）来确定所述操控信号（A），其特征在于，所述神经网络（60）包括缩放层（S4），其中所述缩放层将附在所述缩放层（S4）的输入上的输入信号（z4）映射到附在所述缩放层（S4）的输出上的输出信号（z5），使得所述映射对应于输入信号（z4）到可预先给定的值域上的投影，其中可预先给定表征所述映射的参数（ρ,c）。