用于具有长期效应的时间序列估计的技术的制作方法
本发明涉及一种用于基于指示长期效应的传感器数据的时间序列来提供物理参数的估计的时间序列的技术,特别地包括一种方法、一种神经网络(nn)系统、包括该nn系统的另外的系统以及一种计算机程序产品。
背景技术:
1、机器学习(ml)模型通常被部署在特定事件对预测有深远且持久影响的场景中。这样的创伤性(traumatic)事件(严重影响所有后续预测的出现的事件)在多种多样的应用中很常见。创伤性数据提出了独特的挑战,因为模型不仅必须识别这些事件,还必须保留它们随时间的推移而产生的影响,以做出准确的未来预测。
2、例如,在电池技术中,预测健康状态(soh)对于确保性能和安全性是至关重要的。像不当放电这样的事件会使电池的健康状况严重降级,并且其后果应该反映在所有后续的soh预测中。在医疗保健中,像中风或显著精神健康发作这样的创伤性事件会深远地影响患者的健康轨迹,因此可以将这些事件整合到未来健康预测中的模型是必需的。类似地,在自然语言处理(nlp)中,指定语气或风格(例如,专业的或会话的)的命令可以影响交互的流程,并且应该在未来的预测中加以考虑。
3、语言处理的注意力机制最初是在[1]中介绍的,并且是许多基础模型的主干。来自[1]的图3(其被再现为本技术的图3)示意性地图示了单词“制作(making)”的注意力权重。传统的注意力机制向像“更多(more)”和“高效(efficient)”这样的单词分配高的注意力。
4、具有注意力机制的ml模型(例如,神经网络,nn)的输入是时间序列,其中是嵌入维度。输出是另一个时间序列。
5、在第一步骤中,为每个输入
i创建输入的投影,被称为查询、关键字和值:
6、 [查询]
7、 [关键字]
8、 [值]。
9、在第二步骤中,计算每个查询的注意力权重:
10、。
11、在第三步骤中,通过将注意力权重乘以所述值来返回传统的最终结果:
12、 (1)。
13、像心脏病发作和不当电池放电这样的一些事件具有深远且持久的影响,但传统注意力机制处理这样的场景的能力仍未得到充分探索。
14、因此,本发明的目的是提供一种用于在存在长期效应的情况下改进对一些物理参数的预测能力和/或时间序列估计的解决方案。可替代地或另外,目的是改进从传感器数据导出的物理参数的可解释性,特别是在类时间序列中。
技术实现思路
1、通过根据所附独立权利要求,该目的一种用于基于指示长期效应的传感器数据的时间序列来提供物理参数的估计的时间序列的方法、通过一种神经网络(nn)系统、通过包括nn系统的另外的系统、以及通过一种计算机程序(和/或计算机程序产品)来解决。在从属权利要求和以下描述中描述了有利的方面、特征和实施例以及优点。
2、在下文中,将首先关于所要求保护的方法来描述本发明。关于该方法提到的特征、优点或可替代实施例可以被赋给其他要求保护的对象(例如,计算机程序或设备,特别地nn系统、另外的系统或计算机程序产品),并且反之亦然。换句话说,该系统、装置或设备可以用在该方法的上下文中描述或要求保护的特征来得到改进,并且反之亦然。在这种情况下,该方法的功能特征相应地由装置或设备或系统的结构单元来体现,并且反之亦然。该方法可以指软件实现方案,并且该设备(特别地nn系统)可以指硬件实现方案(例如,具有空间物理结构)或其虚拟化。通常,在计算机科学中,软件实现方案和对应的硬件实现方案(例如,作为嵌入式系统)是等同的。因此,例如,用于“存储”数据的方法步骤可以用存储单元和将数据写入存储装置的相应指令来执行。为了避免冗余的目的,尽管该设备也可以用在参考该方法描述的可替代实施例中,但是这些实施例不会再次针对该设备进行明确描述。原则上,相应的设备或装置权利要求被配置为执行所要求保护的方法。
3、关于方法方面,提供了一种用于基于指示长期效应的传感器数据的时间序列来提供物理参数的估计的时间序列的计算机实现的方法。该方法由神经网络(nn)系统来执行。该方法包括接收输入数据的步骤,该输入数据包括传感器数据的至少第一通道中的时间序列。该方法进一步包括针对时间序列内的每个时间点确定与该时间点相关联的瞬时传感器数据是否指示预定长期效应的步骤。该方法进一步包括选择性地存储对其确定了预定长期效应的指示的瞬时传感器数据的步骤。该方法进一步包括基于所接收的输入数据来估计至少一个物理参数的时间序列的步骤。该估计包括针对在选择性地存储了该瞬时传感器数据的时间点之后的所有时间点对选择性地存储的瞬时传感器数据应用(例如,根据规则或规定相同的)长期效应注意力。长期效应注意力可以被附加地应用于任何传统的短期注意力机制。
4、该方法更进一步包括提供估计的时间序列作为输出数据的步骤。
5、通过本文公开的技术,可以改进依据传感器数据的时间序列的至少一个物理参数(也称为:物理量)的预测能力。可替代地或另外,可以增加物理参数的预测和/或估计的可解释性。进一步可替代地,可以以更高的准确度来执行对基于传感器数据的物理参数的演变进行建模。
6、该方法由nn系统执行,该nn系统接收时间序列(也称为:序列)作为输入数据,并提供另一个时间序列作为输出数据。输入数据的时间序列和输出数据的时间序列在第一时间点(也称为:开始时间)和/或最后时间点(也称为:结束时间)、多个时间点和/或时间步长的大小方面可以是相同的。可替代地,输出数据的时间序列可以包括输入数据的时间序列的时间点的子集。
7、输入数据的时间序列可以包括多个通道,和/或也可以被表示为多变量时间序列。所述多变量时间序列可以借助于多个传感器和/或通过至少一个多变量传感器(例如,包括用来测量第一通道中的传感器数据的第一感测单元、用来测量第二通道中的传感器数据的第二感测单元等等,特别地对于所有通道同时地)来获取。
8、多变量时间序列可以包括具有预定开始时间点和预定结束时间点的多个(特别地等间隔的)时间点(和/或时间步长)。在一个通道中,借助于通道特定传感器获取的传感器数据可以针对时间序列内的所有时间点被整合(或包括)。
9、传感器数据的通道(例如,第一通道或第二通道,和/或也被表示为输入通道)可以包括借助于一个传感器获取的一种类型的传感器数据(例如,时间序列)。(例如,第一或第二)通道内的传感器数据可以可替代地被表示为(特别地直接)测量数据。测量数据可以指示每时间点的物理状态(诸如电气状态和/或机械状态),和/或可以以物理单位来测量,特别地每通道一种种类的物理单位,并且优选地,对于不同通道不同的物理单位。例如,传感器数据的第一通道可以包括电压值,其也可以被表示为电压的指示。可替代地或另外,传感器数据的第二通道可以包括电流值,其也可以被表示为电流的指示。
10、输入数据可以包括在相同时间点对于时间序列的两个通道获取的像例如电压值这样的物理值的时间序列、以及电流值的时间序列。
11、通过包括多个通道的时间序列,可以获取互补传感器数据。例如,多变量传感器可以在两个不同的通道中提供电压和电流。可替代地或另外,多变量传感器可以例如在两个不同的通道中提供体积流和质量流。
12、通过互补传感器数据的获取,可以改进监测(和/或预测)由多变量传感器和/或多个传感器监测的物理对象(和/或设备)的状态(例如,电池的健康状态soh、)和/或自然状态(例如,环境、天气和/或地域数据,例如,关于诸如地震的自然事件的可能性)的准确性。
13、输出数据可以包括至少一个通道中的时间序列。可替代地或另外,输出数据可以提供每输出通道的一个物理参数的时间序列。
14、在一些示例中,输出通道中的物理参数可以具有与输入通道中的传感器数据相同的类型。可替代地或另外,在其他示例中,至少一个输出通道中的物理参数可以具有与输入通道中的传感器数据中的任一个不同的类型。
15、输出数据可以指示物理对象(和/或设备)的(例如,监测的和/或预测的)状态或自然状态。可替代地或另外,输出数据可以对应于虚拟传感器数据和/或间接测量数据。虚拟传感器数据和/或间接测量数据可以从输入数据中导出。所导出的测量数据(和/或虚拟传感器数据)可以指示物理对象的状态,和/或可以在一个输出通道的情况下以物理单位来测量(并且在多个输出通道的情况下以若干不同的物理单位来测量)。
16、在示例实施例中,物理参数可以包括可再充电电池或电容器的健康状态(soh),并且传感器数据可以包括电压和/或电流。可替代地或另外,传感器数据可以包括容量、内阻、温度和/或充电周期。对于电容器,传感器数据可以例如另外包括泄漏电流、串联电阻和/或绝缘电阻。
17、其他示例指的是其他物理组件的soh。在这种情况下,传感器数据可以包括例如时间、温度和/或用于预测非常技术性组件的soh的其他物理参数。
18、指示(特别地预定)长期效应的瞬时传感器数据(也简称为:长期效应事件(也称为:异常、创伤性事件和/或不利事件))可以是时间序列内特定点处的传感器数据(和/或事件),其对于准确预测所有未来结果是至关重要的。例如,长期效应事件可以是非正常和/或非标准事件,诸如可再充电电池的意外(和/或突然)放电。瞬时传感器数据可以被解释为对随后的预测具有深远和持久影响或关键性地影响随后的预测的数据。
19、可替代地或另外,指示长期效应的瞬时传感器数据可以包括在一个时间点的传感器数据与在前时间点(例如,紧接在前的时间点)的传感器数据之间的超过预定阈值的差异。进一步可替代地或另外,指示长期效应的瞬时传感器数据可以包括在一个时间点偏离预期传感器数据的传感器数据,特别地偏离量大于预定阈值的传感器数据。
20、在任何情况下,预定阈值可以是与在其中接收到传感器数据的通道相关的数字阈值。例如,对于电压,该数值可以是以伏特(v)为单位的值,和/或对于电流,该数值可以是以安培(a)为单位的值。
21、在一些示例中,长期效应可能负面地影响物理对象的性能和/或寿命。在其他示例中,长期效应可能积极地影响物理对象的性能和/或寿命。
22、在一些示例中,长期效应(例如,核事故、地震、龙卷风或另一个自然事件)可能负面地影响自然状态。在其他示例中,长期效应可能积极地影响自然状态。
23、长期效应可能涉及对未来预测的长期效应。
24、电池的性能的长期预测可以通过电池状态来表征。电池状态可以包括充电状态(soc)和/或健康状态(soh)。soc可以描述完全充电的电池和使用中的同一电池之间的差异,和/或可以与电池中可用的剩余电量相关联。soc可以被定义为电池的剩余电量除以可以输送的最大电量的比率。soc特别地可以被表示为百分比。soc可替代地可以被表示为放电深度(dod),其可以对应于100%的差异和以百分比计的soc。
25、soh可以描述使用中的电池和全新电池之间的差异,和/或可以考虑电池寿命期间的退化和/或老化。soh可以被定义为最大电池电量与其额定容量的比率。可替代地或另外,soh可以被表示为百分比。
26、可再充电电池的放电曲线(profile)可能取决于其soh和/或可能与其soh相关。特别地,soh越低,电池放电越快。
27、可再充电电池的预定长期效应可以包括由电池提供的电流和/或电压的突然变化(特别是突然下降)。
28、soc可以从电池的电量的时间序列和/或从电流的测量和时间中导出。可替代地或另外,soh可以基于可以(特别地在特定时间)被电池存储的电荷量来确定,或者可以与该电荷量相关。
29、新电池的容量可能与标称容量相同。新电池的soh可以是100%。
30、使用中的电池容量可以随着时间的推移和/或随着使用(例如,包括多次充电循环和/或多次至少部分再充电)而降低。
31、差的soh可能导致不稳定和/或不可靠的性能。
32、电池的soh对于电动载具、混合动力载具和/或机器人可能是重要的。在下文中,明确提及载具电池。对于配备可再充电电池的机器人,类似的陈述也适用。机器人(特别地由可再充电电池供电的移动机器人)可以例如被部署在工厂环境、家庭自动化环境和/或诸如医疗设施的设施中。
33、载具电池的不稳定和/或不可靠的性能可能是一种安全风险,诸如载具意外地停止和/或具有部分不工作的功能(例如,电子制动力分配ebd、电子稳定性控制esc、灯、传感器和/或自主驾驶功能的动力辅助转向(power-assisted steering)(也称为:伺服转向(servo-steering)机构)的断电)。
34、根据汽车工程师协会分类系统,自主驾驶可以包括1级(驾驶员辅助)、2级(部分自动化)、3级(有条件自动化)、4级(高度自动化)和/或5级(完全自动化)中的任一个。
35、可替代地或另外,基于电池的当前soh,可以执行对电池的寿命的估计,和/或可以安排更换电池的日期。
36、电池的soh可以(例如,常规地)从内阻(和/或阻抗和/或电导)、从容量、从电压、从自放电、从接受电荷的能力、从充电-放电循环的次数、从电池的年龄、从电池在其先前使用期间的温度、和/或从充电和放电的总能量导出。
37、根据本文公开的技术,soh可以由经训练的神经网络(nn)系统基于与载具电池相关的传感器数据(诸如电压和电流)来确定。
38、经训练的nn系统可以包括编码器-解码器对、递归神经网络(rnn)、卷积神经网络(cnn)和/或变换器架构。可替代地或附加地,经训练的nn系统可以包括多个层,特别地自注意力层、多层感知器(mlp)层和/或残余连接。
39、除了传统的注意力机制之外,还可以实现对指示长期效应的选择性地存储的瞬时传感器数据的注意力。传统的注意力机制可以向时间序列内的所有瞬时传感器数据分配注意力权重。可替代地或另外,传统的注意力机制可以仅对于获取了瞬时传感器数据之后的少量时间点(和/或时间点子集)考虑瞬时传感器数据。进一步可替代地或另外,传统的注意力机制可以(例如,仅)考虑短期效应。
40、可以通过监督训练和/或使用包括基本事实的训练数据来训练nn系统。例如,在soh作为输出数据的情况下,可能已经手动地和/或根据与传感器数据相关联的特定公式(其可能跨训练数据集的数据库而不同)提供了基本事实soh。
41、载具电池的soh的长期效应事件可以包括电压和/或电流的瞬时下降。
42、载具电池的电池退化可能是由于驾驶模式(诸如激进驾驶(例如,包括刹车和/或加速))、气候、与电池环境和/或电池使用相关的热动力学、和/或基础设施。电池退化的这些原因中的任一个都可能产生长期效应事件或对应于长期效应事件。
43、该方法可以由部署在电池管理系统内的nn系统来执行。
44、在卫生部门,长期效应事件可以包括中风、心脏病发作、短暂性脑缺血发作(tia)和/或(例如,癫痫)发作。
45、在自然语言处理(nlp)中,与诸如通俗、学术和/或专业的用语有关的命令。
46、确定瞬时传感器数据是否指示长期效应可以包括向所有瞬时传感器数据分配(例如,传统的)权重,并且随后应用权重的预定(特别地较低)阈值。例如,具有高于预定阈值的权重的所有瞬时传感器数据可以被认为是指示长期效应。阈值处理也可以被表示为二元分类或对顶部(top)元素(和/或顶部瞬时传感器数据)进行排序。
47、可替代地或另外,确定瞬时传感器数据是否指示长期效应可以包括对瞬时传感器数据进行排序。
48、可以在nn系统的训练期间学习(例如,传统的)权重和/或排序。
49、被确定为指示长期效应的瞬时传感器数据可以特别地被路由器路由到长期效应存储器(memory)以进行选择性地存储。
50、对物理参数的时间序列的估计可以包括将传统的注意力机制与长期效应特定的注意力机制相结合。该结合可以包括:对于所有传感器数据,应用传统权重。
51、传统的注意力机制可以特别地包括针对每一个瞬时传感器数据确定关键字、值和查询。确定关键字、值和查询可以利用在nn系统的训练期间所学习的参数。
52、可以基于对瞬时传感器数据的所有可能组合的查询和关键字的产生(production)的softmax运算来确定传统注意力机制的权重。
53、根据本文公开的技术,传感器数据的各种通道中的时间序列可以包括时间维度依赖性和跨维度依赖性二者。跨维度依赖性可以指不同通道的传感器数据之间的依赖性,和/或不同类型的传感器数据(诸如电压和电流)之间的依赖性。
54、长期效应特定的注意力机制可以包括确定来自指示长期效应的瞬时传感器数据对出现了长期效应事件的时间点之后的输出数据的附加贡献(例如,要与传统注意力机制的输出相加的附加项)。
55、长期效应特定的注意力机制可以不同于传统的深度混合(mod)技术,该传统的深度混合(mod)技术限制要由注意力机制处理的输入数据的部分,并且其中输入数据的其余部分完全绕过注意力机制。传统上,mod技术可以被用来降低计算要求。
56、本文公开的长期效应特定的注意力机制在若干方面不同于传统的mod。特别地,本文公开的技术被设计成辅助保留长期效应存储器(也称为:创伤性存储器)。对比将具有长期效应的传感器数据存储在专用长期效应存储器中,对于这一点所公开的技术仅使用“挑选出”不参与长期效应的传感器数据的概念。换句话说,所公开的技术利用来自传统mod的思想作为专注于在存储器中保留特定数据(创伤性存储器)的不同系统的组件。
57、本文公开的技术在实现方式上不同于传统的mod,诸如通过对路由器采用特定的得分函数、以及对存储在长期效应存储器中的词元(token)使用有区别的注意力值。
58、传感器数据的通道(特别地第一通道)可以包括指示电压、电流、功率、电阻、容量、温度、湿度、气体浓度、压力、速度、力、扭矩、转速、颜色和/或光度的传感器数据。
59、传感器数据可以与物理状态相关,特别地诸如可再充电电池的对象的物理状态。对象的物理参数的估计可以基于所获取的与对象相关的传感器数据,和/或可以指示对象的物理状态。
60、在一些示例中,传感器数据和估计的物理参数可以是相同类型的(例如,当将输出数据和输入数据进行比较时,修改的颜色)。在其他示例中,物理参数可以是导出的(和/或特别地不是可由传感器直接获取的)类型的数据,诸如可再充电电池的soh。
61、传感器数据可以借助于至少一个传感器来获取。在传感器数据的多个通道的情况下,(例如,多变量)传感器可以包括多个子单元,和/或一组传感器可以被同步用于在相同的时间点获取传感器数据。
62、该方法可以进一步包括将瞬时传感器数据路由到长期效应存储器的步骤,针对该瞬时传感器数据确定了预定长期效应的指示。
63、路由可以由nn系统的路由器来执行。可替代地或另外,路由可以包括拷贝指示长期效应的所选瞬时传感器数据,并且将副本存储在长期效应存储器中,特别是在将所选瞬时传感器数据也暴露给与未选瞬时传感器数据相同的处理时。
64、nn系统可以包括编码器和解码器。可替代地或另外,nn系统可以包括变换器架构、rnn架构和/或cnn架构。
65、nn系统可以在编码器内和/或在解码器内包括至少一个(例如,传统的)注意力层。可替代地或另外,长期效应注意力机制可以在编码器中、在解码器中或在这二者中实现。
66、长期效应注意力可以包括:对于在传感器数据中的长期效应被确定之后的任何时间点,至少一个物理参数的估计取决于指示长期效应的传感器数据。例如,所有后来的传感器数据可以根据相同的程序(也称为:处方)被修改,和/或长期效应可以包括长期注意力不会随着时间的推移而逐渐消失。
67、在一个示例中,长期效应之后的物理参数的所有值可以包括与长期效应之前的物理参数的值相比的偏移量。例如,可再充电电池的soh可以在出现长期效应的时间点(例如,突然地)降低或减少预定的偏移量,并且对于所有稍后的时间点,可以应用相同的预定偏移量。可替代地或另外,长期效应之后的物理参数的所有值可以包括与长期效应之前的物理参数的值相比的乘法因子。例如,rgb颜色值可以按乘法因子来降低,导致在长期效应的时间点之后更深的色调(shade)。
68、本发明的长期效应注意力可以与传统的短期注意力机制相结合。
69、包括在所接收的输入数据中的时间序列可以包括传感器数据的第二通道。可选地,第一通道可以包括指示可再充电电池的电压的传感器数据。第二通道可以包括指示可再充电电池的电流的传感器数据。
70、不同通道内的传感器数据可以是互补的,和/或可以提供关于物理状态的演变的互补信息。
71、传感器数据可以指示物理对象的物理状态。至少一个物理参数的时间序列可以对物理对象的物理状态进行编码。
72、所述至少一个物理参数可以包括可再充电电池的健康状态(soh)。
73、在可替代示例中,传感器数据可以与(例如,本地)环境和/或(例如,本地)气候相关联。物理参数可以例如指示天气。长期效应可能例如是由于飓风或另外的极端天气事件引起的。
74、可替代地或另外,传感器数据可能能够捕获诸如野火、山体滑坡或地震的环境或自然灾害的指示。物理参数可以指示诸如在正常情况下和/或在环境或自然灾害之后的环境的状态。
75、传感器数据的更进一步的示例可以包括指示交通状况的传感器数据,所述交通状况诸如空的道路、交通拥堵和/或事故,作为长期效应事件的又一个示例。物理参数可以例如包括对交通状况的发展的预后。
76、该方法可以进一步包括对所接收的输入数据进行预处理的步骤。预处理可以包括为每一个瞬时传感器数据提供位置编码。
77、每一个瞬时传感器数据的位置编码可以包括向瞬时传感器数据分配时间戳(特别地相对于时间序列内的时间点)和/或通道。
78、在一个示例中,接收原始传感器数据(例如,对于每个通道分开的原始传感器数据),并且然后进行预处理。通过预处理,传感器数据可以被转换成适用于由nn系统进行处理的数据格式。可替代地或另外,通过预处理,可以提供位置编码,诸如包括时间序列(和/或通道)内的时间点。因为变换器缺乏内置的序列感知,所以在使用变换器架构来注入关于序列中词元顺序的信息的情况下,通常使用位置编码,例如通过使用正弦位置编码。在本文中,词元可以表示一个通道内和/或一个时间点的瞬时传感器数据。
79、在另一个示例中,输入数据被接收作为经预处理的数据,例如,已经被转换成适合于由nn系统处理的数据格式,和/或已经包括位置编码。
80、该方法可以进一步包括针对时间序列内的每个时间点确定与瞬时传感器数据相关联的注意力权重的步骤。确定瞬时传感器数据是否指示预定长期效应可以包括确定相关联的注意力权重超过预定阈值。
81、估计至少一个物理参数的时间序列可以可替代地或另外包括将所确定的注意力权重应用于所有瞬时传感器数据,特别地包括指示预定长期效应的瞬时传感器数据。
82、本文公开的技术可以特别地将用于所有传感器数据和/或所有时间点的传统注意力机制与用于指示长期效应的所选传感器数据的长期效应注意力机制相结合。由此,(例如,短期)注意力可以被用于任何传感器数据,并且对长期效应传感器数据的注意力可以增加,和/或在长期效应事件之后更长时间地应用于未来。特别地,对长期效应传感器数据的注意力可以从其出现一直应用到时间序列的结束。
83、在一些示例中,时间序列不需要具有预定结束。例如,可以通过激活传感器来启动时间序列,和/或传感器可以保持被激活,直到其自身寿命结束为止,直到其感测的物理对象的寿命结束为止,和/或直到维护事件(或任何其他停止事件,特别地手动停止事件)出现为止。
84、应用长期效应注意力可以包括将预定投影矩阵应用于指示预定长期效应的瞬时传感器数据的线性函数。可替代地或另外,应用长期效应注意力可以包括将非线性函数应用于指示预定长期效应的瞬时传感器数据。
85、可以将预定投影矩阵应用于与指示预定长期效应的瞬时传感器数据相关联的值(特别地在量关键字、值和查询中)。
86、可以借助于在训练数据集的数据库上的监督学习来训练nn系统,该训练数据集包括传感器数据的至少第一通道中的时间序列和作为基本事实的至少一个物理参数的时间序列。
87、通过监督学习,可以学习用于传统注意力机制的注意力权重以及应用长期效应注意力,特别是在投影矩阵方面。
88、训练可以在更大的计算设备上、在计算集群上和/或在计算云中执行。可替代地或另外,经训练的nn系统可以被部署在具有有限处理和/或存储器资源的计算设备上,诸如在载具内的电池管理系统中。
89、监督训练可以利用对损失函数进行优化,诸如最小化均方误差(mse)。
90、对其确定了预定长期效应的指示的瞬时传感器数据可以被选择性地存储在长期效应存储器中。长期效应存储器的大小可以由可调超参数来参数化。
91、如果仅一种类型的长期效应事件是已知的,则可调超参数特别地可以被设置为1。
92、可调超参数可以借助于用户输入来选择,例如在训练nn系统之前。
93、关于设备方面,提供了一种用于基于指示长期效应的传感器数据的时间序列来提供物理参数的估计的时间序列的nn系统。该nn系统包括输入层,该输入层被配置用于接收输入数据,该输入数据包括传感器数据的至少第一通道中的时间序列。该nn系统进一步包括第一组隐藏层,其被配置用于针对时间序列内的每个时间点,确定与该时间点相关联的瞬时传感器数据是否指示预定长期效应。该nn系统进一步包括长期效应存储器,其被配置为选择性地存储对其确定了预定长期效应的指示的瞬时传感器数据。该nn系统进一步包括第二组隐藏层,其被配置用于基于所接收的输入数据来估计至少一个物理参数的时间序列。该估计包括针对在选择性地存储了该瞬时传感器数据的时间点之后的所有时间点将长期效应注意力应用于选择性地存储的瞬时传感器数据。该nn系统更进一步包括输出层,其被配置用于提供估计的时间序列作为输出数据。
94、nn系统可以进一步包括在方法方面的上下文中公开的特征中的任一个,或者可以被配置为执行在方法方面的上下文中公开的步骤中的任一个。
95、另外的系统可以包括nn系统和至少一个传感器,借助于所述至少一个传感器来获取输入数据。可选地,该另外的系统可以进一步包括在其上显示输出数据的用户界面(ui),诸如图形用户界面(gui)。
96、关于另外的方面,提供了一种计算机程序产品,其包括程序单元,当该程序单元被加载到计算设备的存储器中时,该程序单元促使计算设备(例如,体现nn系统)执行根据该方法方面的用于基于指示长期效应的传感器数据的时间序列来提供物理参数的估计的时间序列的方法的步骤。
97、就又一个方面而言,提供了一种计算机可读存储介质,其上存储有可以由计算设备(例如,体现nn系统)读取和执行的程序单元,以便当该程序单元由计算设备执行时,执行根据该方法方面的用于基于指示长期效应的传感器数据的时间序列来提供物理参数的估计的时间序列的方法的步骤。
98、根据下面的描述和实施例,上述本发明的特性、特征和优点以及实现它们的方式将变得更加清楚和更可理解,这些将在附图的上下文中更详细地描述。
99、这个以下描述并不将本发明限制在所包含的实施例上。在不同的图中,相同的组件或部件可以用相同的附图标记来标记。总的来说,所述图不是按比例绘制的。
100、应当理解,本发明的优选实施例也可以是从属权利要求或上述实施例与相应独立权利要求的任何组合。
101、参考下文描述的实施例,本发明的这些和其他方面将变得显而易见并得到阐述。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com