训练人工神经网络、人工神经网络、应用、计算机程序、存储介质和设备的制作方法

技术特征：
1.一种用于借助训练数据集（x1直至xt h）来训练人工神经网络（60）的方法，用以为了控制技术系统而根据过去的连续时间序列（x1直至xt）来预测在时间步（t 1直至t h）中的未来的连续时间序列（xt 1直至xt h），所述人工神经网络（60）尤其是贝叶斯神经网络、尤其是递归人工神经网络、尤其是vrnn，该方法具有根据损失函数来适配所述人工神经网络的参数的步骤，其中所述损失函数包括第一项，所述第一项具有对在关于至少一个隐变量（隐变量）的先验概率分布（先验）与关于所述至少一个隐变量（隐变量）的后验概率分布（推断）之间的间距的下界（elbo）的估计，其特征在于，所述先验概率分布（先验）与未来的连续时间序列（xt 1直至xt h）无关。2.根据权利要求1所述的方法，其中，所述先验概率分布（先验）不取决于所述未来的连续时间序列（xt 1直至xt h）。3.根据上述权利要求中任一项所述的方法（900），其中，借助所述损失函数（/），根据随后的规则来估计所述下界（elbo），，其中表示关于直至范围的未来的时间步的可观测到的变量在过去的时间步的所述可观测到的变量的条件下的目标概率分布，表示推断，也就是说表示关于在整个观测时段内、也就是说针对所述过去的时间步和直至范围的所述未来的时间步的所述隐变量在所述整个观测时段内的所述可观测到的变量的条件下的后验概率分布（推断），表示生成器，也就是说表示关于直至范围的所述未来的时间步的所述可观测到的变量在所述过去的时间步的所述可观测到的变量和在所述整个观测时段内的所述隐变量的条件下的概率分布，和表示先验，也就是说表示关于所述隐变量在所述过去的时间步的所述可观测到的变量的条件下的所述先验概率分布（先验）。4.计算机程序，其设立为，执行根据权利要求1至3中任一项所述的方法（900）的所有步骤。5.机器可读的存储介质，其上存储有根据权利要求4所述的计算机程序。6.人工神经网络（60）、尤其是贝叶斯神经网络，其借助根据权利要求1至3中任一项所述的方法（900）来训练。7.权利要求6的人工神经网络（60）、特别是贝叶斯神经网络用于控制技术系统的应用，所述技术系统尤其是机器人、车辆、工具或者工厂机器（11）。8.计算机程序，其设立为，执行根据权利要求7所述的将根据权利要求6所述的人工神经网络（60）用于控制技术系统的应用的所有步骤。9.机器可读的存储介质，其上存储有根据权利要求8所述的计算机程序。10.用于控制技术系统的设备，所述设备设立用于根据权利要求7所述的应用根据权利
要求6所述的人工神经网络（60）。

技术总结
用于借助训练数据集（x1直至xt h）来训练人工神经网络（60）的方法，用以为了控制技术系统而根据过去的连续时间序列（x1直至xt）来预测在时间步（t 1直至t h）中的未来的连续时间序列（xt 1直至xt h），所述人工神经网络（60）尤其是贝叶斯神经网络、尤其是递归人工神经网络、尤其是VRNN，所述方法具有根据损失函数来适配人工神经网络的参数的步骤，其中所述损失函数包括第一项，所述第一项具有对在关于至少一个隐变量（隐变量）的先验概率分布（先验）与关于至少一个隐变量（隐变量）的后验概率分布（推断）之间的间距的下界（ELBO）的估计，其中所述先验概率分布（先验）与未来的连续时间序列（xt 1直至xt h）无关。（xt 1直至xt h）无关。（xt 1直至xt h）无关。


技术研发人员：D
受保护的技术使用者：罗伯特
技术研发日：2021.06.23
技术公布日：2023/2/3