DE102020105785A1 - Method for generating a reduced neural network for a control device of a vehicle using eigenvectors - Google Patents
Method for generating a reduced neural network for a control device of a vehicle using eigenvectors Download PDFInfo
- Publication number
- DE102020105785A1 DE102020105785A1 DE102020105785.7A DE102020105785A DE102020105785A1 DE 102020105785 A1 DE102020105785 A1 DE 102020105785A1 DE 102020105785 A DE102020105785 A DE 102020105785A DE 102020105785 A1 DE102020105785 A1 DE 102020105785A1
- Authority
- DE
- Germany
- Prior art keywords
- reduced
- matrix
- neural network
- data field
- network
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Feedback Control In General (AREA)
Abstract
Die Erfindung betrifft ein Verfahren zur Erzeugung eines reduzierten neuronalen Netzes (40) für ein Steuergerät (2) eines Fahrzeugs (1) und/oder einer Fahrzeugkomponente (7, 8, 9), mit den folgenden Schritten:- Einlesen eines ersten Datenfeldes eines ersten neuronalen Netzes (30), wobei das erste Datenfeld Einträge aufweist, die in ihrer Gesamtheit zumindest teilweise eine interne Logik des ersten neuronalen Netzes (30) repräsentieren, in einem ersten Schritt (11),- Erzeugen des reduzierten neuronalen Netzes (40) zumindest mithilfe des ersten Datenfeldes in einem zweiten Schritt (12), wobei das reduzierte neuronale Netz ein reduziertes Datenfeld mit Einträgen aufweist, die in ihrer Gesamtheit zumindest teilweise eine interne Logik des reduzierten neuronalen Netzes (40) repräsentieren und das reduzierte Datenfeld weniger von Null verschiedene Einträge als das erste Datenfeld hat.The invention relates to a method for generating a reduced neural network (40) for a control device (2) of a vehicle (1) and / or a vehicle component (7, 8, 9), comprising the following steps: - Reading in a first data field from a first neural network (30), the first data field having entries which in their entirety at least partially represent an internal logic of the first neural network (30), in a first step (11), - generating the reduced neural network (40) at least with the aid of of the first data field in a second step (12), the reduced neural network having a reduced data field with entries which in their entirety at least partially represent internal logic of the reduced neural network (40) and the reduced data field is less than non-zero entries than has the first data field.
Description
Die Erfindung betrifft ein Verfahren zur Erzeugung eines reduzierten neuronalen Netzes für ein Steuergerät eines Fahrzeugs und/oder einer Fahrzeugkomponente, ein Steuergerät für ein Fahrzeug und/oder eine Fahrzeugkomponente, ein Fahrzeug, ein reduziertes neuronales Netz und ein Computerprogrammprodukt.The invention relates to a method for generating a reduced neural network for a control device of a vehicle and / or a vehicle component, a control device for a vehicle and / or a vehicle component, a vehicle, a reduced neural network and a computer program product.
Die
Das vorgeschlagene Verfahren zum Erstellen eines reduzierten neuronalen Netzes für ein Steuergerät eines Fahrzeugs und/oder einer Fahrzeugkomponente umfasst die folgenden Schritte. In einem ersten Schritt wird ein erstes Datenfeld eines ersten neuronalen Netzes eingelesen, wobei das erste Datenfeld Einträge aufweist, die in ihrer Gesamtheit zumindest teilweise eine interne Logik des ersten neuronalen Netzes repräsentieren. In einem zweiten Schritt wird das reduzierte neuronale Netzes zumindest mithilfe des ersten Datenfeldes erzeugt, wobei das reduzierte neuronale Netz ein reduziertes Datenfeld mit Einträgen aufweist, die in ihrer Gesamtheit zumindest teilweise eine interne Logik des reduzierten neuronalen Netzes repräsentieren. Das reduzierte Datenfeld weist weniger von Null verschiedene Einträge als das erste Datenfeld auf. Das erste Datenfeld kann in das Steuergerät eingelesen werden und die folgenden Varianten des Verfahrens auf dem Steuergerät ausgeführt werden. Möglich ist auch, dass das erste Datenfeld auf einem externen Computer außerhalb des Fahrzeugs eingelesen wird und das Verfahren auf dem externen Computer durchgeführt wird.The proposed method for creating a reduced neural network for a control device of a vehicle and / or a vehicle component comprises the following steps. In a first step, a first data field of a first neural network is read in, the first data field having entries which in their entirety at least partially represent an internal logic of the first neural network. In a second step, the reduced neural network is generated at least with the aid of the first data field, the reduced neural network having a reduced data field with entries which, at least in their entirety, represent an internal logic of the reduced neural network. The reduced data field has fewer non-zero entries than the first data field. The first data field can be read into the control unit and the following variants of the method can be carried out on the control unit. It is also possible for the first data field to be read in on an external computer outside the vehicle and for the method to be carried out on the external computer.
Für den Begriff „neuronales Netz“ wird im Folgenden der Begriff „Netz“ verwendet.The term “network” is used below for the term “neural network”.
Mit einem Datenfeld ist ein Feld, auch „Array“ genannt, gemeint, welches mehrere Einträge aufweist. In den meisten Fällen weisen das erste Datenfeld und das reduzierte Datenfeld reelle positive Einträge auf. Ein einzelner Eintrag des ersten Datenfeld beziehungsweise reduzierten Datenfeldes beeinflusst zumindest eine Berechnung eines Ausgangswertes eines Neurons des ersten Netzes beziehungsweise reduzierten Netzes in Abhängigkeit von einem entsprechenden Eingangswert des Neurons des entsprechenden Netzes. Des Weiteren geben die Einträge bevorzugt an, wie stark ein Ausgangswert eines einzelnen Neurons des ersten Netzes beziehungsweise reduzierten Netzes eine Berechnung eines weiteren Ausgangswertes eines weiteren Neurons des ersten Netzes beziehungsweise reduzierten Netzes beeinflusst. In diesem Sinn können die Einträge auch Gewichte des ersten Netzes beziehungsweise reduzierten Netzes sein.A data field means a field, also called an “array”, which has several entries. In most cases, the first data field and the reduced data field have real positive entries. A single entry of the first data field or reduced data field influences at least one calculation of an output value of a neuron of the first network or reduced network depending on a corresponding input value of the neuron of the corresponding network. Furthermore, the entries preferably indicate how strongly an output value of an individual neuron of the first network or reduced network influences a calculation of a further output value of a further neuron of the first network or reduced network. In this sense, the entries can also be weights of the first network or reduced network.
Das erste beziehungsweise reduzierte Datenfeld kann zwei oder mehrere Dimensionen haben und kann in diesem Fall als eine erste Matrix beziehungsweise reduzierte Matrix mit zwei beziehungsweise mehreren Dimensionen betrachtet werden. In diesem Fall können diese beiden Datenfelder jeweils als eine Datenstruktur betrachtet werden, die Einträge von einer zweidimensionalen beziehungsweise mehreren zweidimensionalen Matrizen des ersten beziehungsweise reduzierten Netzes enthalten. Die Einträge der zweidimensionalen Matrizen des ersten beziehungsweise reduzierten Netzes können Werte von Verbindungsgewichten zwischen einzelnen Neuronen einer Schicht des entsprechenden Netzes und einzelnen Neuronen einer nachfolgenden Schicht des entsprechenden Netzes sein.The first or reduced data field can have two or more dimensions and in this case can be viewed as a first matrix or reduced matrix with two or more dimensions. In this case, these two data fields can each be viewed as a data structure that contains entries from a two-dimensional or a plurality of two-dimensional matrices of the first or reduced network. The entries of the two-dimensional matrices of the first or reduced network can be values of connection weights between individual neurons of a layer of the corresponding network and individual neurons of a subsequent layer of the corresponding network.
Das Steuergerät des Fahrzeugs und/oder der Fahrzeugkomponente ist eingerichtet, zumindest einen Betriebsparameter des Fahrzeugs und/oder der Fahrzeugkomponente zu steuern. Der Betriebsparameter kann beispielsweise eine Geschwindigkeit, eine Beschleunigung, Abstände zwischen dem Fahrzeug und einem weiteren Fahrzeug, eine Motordrehzahl, eine Bremskraft oder ein Lenkwinkel sein. Vorteilhafterweise sind das Fahrzeug und/oder die Fahrzeugkomponente für ein autonomes und/oder teilweise autonomes Fahren einsetzbar.The control device of the vehicle and / or the vehicle component is set up to control at least one operating parameter of the vehicle and / or the vehicle component. The operating parameter can be, for example, a speed, an acceleration, distances between the vehicle and another vehicle, an engine speed, a braking force or a steering angle. The vehicle and / or the vehicle component can advantageously be used for autonomous and / or partially autonomous driving.
Das vorgeschlagene Verfahren und das Steuergerät ermöglichen eine Steuerung des autonomen und/oder teilweise autonomen Fahrzeuges und/oder der Fahrzeugkomponente in verschiedenen Fahrsituationen. Fahrsituationen können beispielsweise das Fahren auf der Autobahn und/oder das Fahren innerhalb von Städten und/oder das Fahren in verkehrsberuhigten Bereichen sein.The proposed method and the control device enable control of the autonomous and / or partially autonomous vehicle and / or the vehicle component in various driving situations. Driving situations can be, for example, driving on the motorway and / or driving within cities and / or driving in traffic-calmed areas.
Das vorgeschlagene Computerprogrammprodukt veranlasst einen Computer, wenn das Computerprogrammprodukt von dem Computer ausgeführt wird, das vorgeschlagene Verfahren, bevorzugt nach den im Folgenden genannten Varianten, durchzuführen. Das Computerprogrammprodukt kann in dem Steuergerät gespeichert sein oder in einer weiteren Variante als Programm auf einem externen Datenträger außerhalb des Fahrzeugs vorliegen. Der Computer befindet sich vorteilhaft in dem Steuergerät und kann in Form eines Mikrocontrollers ausgebildet sein. Dadurch, dass mithilfe des Computerproduktes das vorgeschlagene Verfahren auf dem Computer ausgeführt werden kann, weist es die im Folgenden für das Verfahren genannten Vorteile auf.The proposed computer program product causes a computer, when the computer program product is executed by the computer, to carry out the proposed method, preferably according to the variants mentioned below. The computer program product can be stored in the control device or, in a further variant, can be present as a program on an external data carrier outside the vehicle. The computer is advantageously located in the control unit and can be designed in the form of a microcontroller. Because the proposed method can be carried out on the computer with the aid of the computer product, it has the advantages mentioned below for the method.
Das erste und reduzierte Netz können in Form einer jeweiligen speziellen Datenstruktur ausgebildete sein, die, wenn sie von einem Speicher des Computers in einen Arbeitsspeicher des Computers geladen werden und von dem Computerprogrammprodukt aus dem Arbeitsspeicher aufgerufen werden, folgende Aktionen veranlassen können. Bevorzugt kann mithilfe des ersten beziehungsweise reduzierten Datenfeldes ein entsprechendes physisches neuronales erstes beziehungsweise reduziertes Netz mit Neuronen simuliert werden, wobei Ausgangssignale von mehreren Neuronen des entsprechenden physischen Netzes zu Eingängen von weiteren Neuronen des entsprechenden physischen Netzes geleitet werden. Das erste beziehungsweise reduzierte Datenfeld repräsentiert damit eine interne Logik des ersten beziehungsweise reduzierten Netzes beziehungsweise des entsprechenden physischen Netzes. Die Neuronen des ersten und reduzierten Netzes entsprechen damit den jeweiligen Neuronen der entsprechenden physischen Netze und können als Modelle mit Eingängen und Ausgänge, bevorzugt nur einem Ausgang, betrachtet werden.The first and reduced network can be designed in the form of a respective special data structure which, when loaded from a memory of the computer into a main memory of the computer and called up from the main memory by the computer program product can take the following actions. A corresponding physical neural first or reduced network with neurons can preferably be simulated with the aid of the first or reduced data field, output signals from a plurality of neurons of the corresponding physical network being routed to inputs of further neurons of the corresponding physical network. The first or reduced data field thus represents an internal logic of the first or reduced network or the corresponding physical network. The neurons of the first and reduced networks thus correspond to the respective neurons of the corresponding physical networks and can be viewed as models with inputs and outputs, preferably only one output.
Darüber hinaus können das erste beziehungsweise reduzierte Netz jeweilige Aktivierungsfunktionen und/oder Schwellwerte für jeweils ein Neuron des entsprechenden Netzes aufweisen. Die Aktivierungsfunktionen und/oder Schwellwerte können ebenfalls in der entsprechenden speziellen Datenstruktur, d.h. in dem ersten beziehungsweise reduzierten Netz, vorliegen.In addition, the first or reduced network can have respective activation functions and / or threshold values for each neuron of the corresponding network. The activation functions and / or threshold values can also be in the corresponding special data structure, i.e. in the first or reduced network.
Dadurch, dass das reduzierte Datenfeld weniger von Null verschiedene Einträge als das erste Datenfeld hat, kann das reduzierte Netz schneller als das erste Netz in den Arbeitsspeicher geladen werden. Des Weiteren kann eine Rechenzeit bei einem Einsatz des reduzierten Netzes in dem Steuergerät gegenüber dem ersten Netz reduzierten werden, da das reduzierte Netz eine geringere Komplexität als das erste Netz aufweist.Because the reduced data field has fewer non-zero entries than the first data field, the reduced network can be loaded into the working memory faster than the first network. Furthermore, a computing time can be reduced when the reduced network is used in the control device compared to the first network, since the reduced network is less complex than the first network.
Darüber hinaus kann dadurch, dass das reduzierte Datenfeld weniger von Null verschiedene Einträge als das erste Datenfeld hat, eine Dimension einer Mannigfaltigkeit des reduzierten Netzes kleiner als eine Dimension einer Mannigfaltigkeit des ersten Netzes sein. Dies kann bewirken, dass Differenzenquotienten, die mithilfe des reduzierten Netzes gebildet werden können, geringer sein können als Differenzenquotienten, die mithilfe des ersten Netzes gebildet werden können. Dieser Vorteil und der geringere Rechenaufwand beim Einsatz des reduzierten Netzes verbessert Einsatzmöglichkeiten des reduzierten Netzes im Vergleich zu dem ersten Netz, insbesondere bei einem Einsatz des reduzierten Netzes in einer Regelschleife des Steuergerätes.Furthermore, because the reduced data field has fewer non-zero entries than the first data field, one dimension of a diversity of the reduced network can be smaller than one dimension of a diversity of the first network. This can mean that difference quotients that can be formed using the reduced network can be lower than difference quotients that can be formed using the first network. This advantage and the lower computing effort when using the reduced network improves the possible uses of the reduced network compared to the first network, in particular when the reduced network is used in a control loop of the control device.
In einer weiteren Ausgestaltung ist das erste Datenfeld in Form der ersten Matrix und das reduzierte Datenfeld in Form der reduzierten Matrix ausgebildet, wobei die reduzierte Matrix mithilfe von zumindest einem Eigenvektor oder Singulärvektor der ersten Matrix konstruiert wird. Werden im Folgenden die Begriffe Eigenwert und Eigenvektor benutzt, so wird davon ausgegangen, dass die erste Matrix quadratisch ist. Werden im Folgenden die Begriffe Singulärwert und Singulärvektor benutzt, so wird davon ausgegangen, dass die erste Matrix nicht quadratisch ist.In a further embodiment, the first data field is designed in the form of the first matrix and the reduced data field in the form of the reduced matrix, the reduced matrix being constructed using at least one eigenvector or singular vector of the first matrix. If the terms eigenvalue and eigenvector are used in the following, it is assumed that the first matrix is quadratic. If the terms singular value and singular vector are used in the following, it is assumed that the first matrix is not quadratic.
Mithilfe des Eigenvektors oder Singulärvektors kann eine Information, die die erste Matrix enthält, kompakt repräsentiert werden. Insbesondere können mehrere Informationen, die die erste Matrix enthält, auf kompakte Weise mithilfe von mehreren Eigenvektoren beziehungsweise Singulärvektoren der ersten Matrix repräsentiert beziehungsweise zusammengefasst werden. Mit anderen Worten können die Eigenvektoren beziehungsweise Singulärvektoren Informationen, die in der ersten Matrix enthalten sind, in kompakter Form abbilden. Aufgrund dieser kompakten Form hat das reduzierte Datenfeld weniger von Null verschiedene Einträge als das erste Datenfeld.With the help of the eigenvector or singular vector, information which contains the first matrix can be represented compactly. In particular, a plurality of pieces of information which the first matrix contains can be represented or summarized in a compact manner with the aid of a plurality of eigenvectors or singular vectors of the first matrix. In other words, the eigenvectors or singular vectors can map information contained in the first matrix in a compact form. Because of this compact form, the reduced data field has fewer non-zero entries than the first data field.
Eine Verwendung der Eigenvektoren beziehungsweise Singulärvektoren stellt eine besonders einfache Variante dar, das reduzierte Netz zu konstruieren. Zur Bestimmung der Singulärvektoren wird bevorzugt ein Verfahren zur Singulärwertzerlegung verwendet. Die Eigenvektoren beziehungsweise Singulärvektoren sind bevorzugt linear unabhängig voneinander.Using the eigenvectors or singular vectors is a particularly simple variant for constructing the reduced network. A method for singular value decomposition is preferably used to determine the singular vectors. The eigenvectors or singular vectors are preferably linearly independent of one another.
Das vorgeschlagene reduzierte neuronale Netz kann nach einer der oben genannten, bevorzugt auch nach einer der im Folgenden genannten, Ausgestaltungen erzeugt werden.The proposed reduced neural network can be generated according to one of the configurations mentioned above, preferably also according to one of the configurations mentioned below.
Das vorgeschlagene Steuergerät ist für das Fahrzeug und/oder die Fahrzeugkomponente geeignet und eingerichtet durch ein Verfahren und/oder für die Durchführung eines Verfahrens nach einer der bereits beschriebenen, bevorzugt auch nach einer der im Folgenden genannten, Ausführungsformen. Das Steuergerät weist vorteilhaft das reduzierte neuronalen Netz auf, wie es nach einer der oben genannten, bevorzugt auch nach einer der im Folgenden genannten, Ausgestaltungen erzeugt werden kann, nachdem das Verfahren durchgeführt wurde.The proposed control device is suitable for the vehicle and / or the vehicle component and is set up by a method and / or for carrying out a method according to one of the embodiments already described, preferably also according to one of the embodiments mentioned below. The control device advantageously has the reduced neural network, as can be generated according to one of the above-mentioned, preferably also according to one of the following, configurations after the method has been carried out.
Das vorgeschlagene Fahrzeug umfasst das Steuergerät. Dadurch, dass das vorgeschlagene Steuergerät und das vorgeschlagene Fahrzeug das reduzierte Netz aufweisen oder dieses bei einer Durchführung des Verfahrens erzeugen können, können mit dem Fahrzeug und dem Steuergerät dieselben Vorteile erzielt werden wie mit dem reduzierten Netz.The proposed vehicle includes the control unit. Because the proposed control unit and the proposed vehicle have the reduced network or can generate this when the method is carried out, the same advantages can be achieved with the vehicle and the control unit as with the reduced network.
Die abhängigen Ansprüche beschreiben weitere vorteilhafte Ausführungsformen der Erfindung. Bevorzugte Ausführungsbeispiele werden anhand der folgenden Figuren näher erläutert. Dabei zeigen die Figuren schematisch in:
-
1 Ein Fahrzeug mit einem Steuergerät und Fahrzeugkomponenten, -
2 Schritte eines Verfahrens zur Erzeugung eines reduzierten neuronalen Netzes für das Steuergerät nach1 , -
3 eine erste Matrix eines erste neuronalen Netzes, -
4 ein erstes neuronales Netz, -
5 ein reduziertes neuronales Netz, -
6 eine reduzierte Matrix des reduzierten neuronalen Netzes nach5 , -
7 Teilschritte eines zweiten Schrittes des in2 gezeigten Verfahrens.
-
1 A vehicle with a control unit and vehicle components, -
2nd Steps of a method for generating a reduced neural network for thecontrol device 1 , -
3rd a first matrix of a first neural network, -
4th a first neural network, -
5 a reduced neural network, -
6 a reduced matrix of the reducedneural network 5 , -
7 Sub-steps of a second step of the in2nd shown procedure.
Ein erster Schritt
In
Die erste Schicht
Mit Hilfe der jeweiligen Eingangswerte kann die jeweilige Aktivierungsfunktion der einzelnen Neuronen
Die in
Der Index j bezeichnet eine j-te Schicht des ersten Netzes
Die weitergeleiteten Eingangswerte werden von den jeweiligen Neuronen der zweiten Schicht
Die jeweilige interne Logik des ersten Netzes
Schematisch sind in
Die reduzierte Matrix
Besonders vorteilhaft wird die reduzierte Matrix mithilfe von zumindest einem Eigenvektor oder Singulärvektor der ersten Matrix
Mit Hilfe des Eigenwertes oder Singulärvektors der ersten Matrix
Wie mit Hilfe des Eigenwertes oder Singulärvektors das reduzierte Netz
Für den Fall, dass die erste Matrix quadratisch ist, kann das reduzierte Modell mit Hilfe von Eigenwerten und Eigenvektoren der ersten Matrix approximiert werden. Für den Fall, dass die erste Matrix nicht quadratisch ist, ist es möglich, das reduzierte Modell mit Hilfe einer Singulärwertzerlegung und den daraus gewonnenen Singulärwerten und Singulärvektoren zu approximieren. Im Folgenden soll ein Beispiel betrachtet werden, bei welchem die erste Matrix quadratisch ist. In the event that the first matrix is square, the reduced model can be approximated using eigenvalues and eigenvectors of the first matrix. In the event that the first matrix is not quadratic, it is possible to approximate the reduced model using a singular value decomposition and the singular values and singular vectors obtained from it. An example in which the first matrix is square is considered below.
Ein Ausgangswert
Dabei können die Basisfunktionen ϕi vorteilhaft Eigenvektoren der ersten Matrix
Um eine schnellere Berechnung zu ermöglichen, kann in einer alternativen Ausgestaltung ein jeweiliger Ausgangswert des reduzierten Modells
Vorzugsweise wird jedes Mal, nachdem ein weiterer Eigenwert der ersten Matrix 21 bestimmt worden ist, eine weitere Basisfunktion ϕi und ein weiterer Koeffizient
Bevorzugt bezeichnet
In einem dritten Teilschritt
Gemäß einer einfachen Ausgestaltung kann das erste Abbruchkriterium dann erfüllt sein, wenn eine vorgegebene Anzahl an Eigenvektoren beziehungsweise Singulärvektoren der ersten Matrix
Die Benennung der Teilschritte
Beispielsweise kann das erste Abbruchkriterium in Abhängigkeit der Hilfsmatrix wie folgt bestimmt werden. Zunächst können jeweilige erste korrespondierende Ausgangsdatensätze in Abhängigkeit von jeweiligen Eingangsdatensätze
Die zu jedem Eingangsdatensatz
Die Teilschritte
Vorzugsweise wird bei jeder Wiederholung der Teilschritte
In einer weiteren Ausgestaltung umfasst das vorgeschlagene Verfahren einen dritten Schritt, bei dem die oben beschriebene Berechnung der jeweiligen ersten korrespondierenden Ausgangsdatensätzen erfolgt, einen vierten Schritt, bei dem die oben beschriebene Berechnung der jeweiligen zweiten korrespondierenden Ausgangsdatensätzen erfolgt und einen fünften Schritt, bei dem die oben beschriebene Berechnung der jeweiligen Abweichungen zwischen den ersten Ausgangsdatensätzen und den mit den ersten Ausgangsdatensätzen korrespondierenden zweiten Ausgangsdatensätzen erfolgt. Ein Korrespondieren des jeweiligen ersten Ausgangsdatensatzes mit dem jeweiligen zweiten Ausgangsdatensatzes meint, dass diese beiden Ausgangsdatensätze in Abhängigkeit desselben Eingangsdatensatzes berechnet werden. In a further embodiment, the proposed method comprises a third step in which the above-described calculation of the respective first corresponding output data sets takes place, a fourth step in which the above-described calculation of the respective second corresponding output data sets takes place and a fifth step in which the above described calculation of the respective deviations between the first output data sets and the second output data sets corresponding to the first output data sets. Corresponding the respective first output data record with the respective second output data record means that these two output data records are calculated as a function of the same input data record.
Ein sechster Schritt dieser Ausgestaltung sieht vor, dass diejenigen Eingangsdatensätze, die mit den größten Abweichungen korrespondieren in Form einer ersten Menge der Eingangsdatensätze gesammelt werden. Ein Korrespondieren der jeweiligen Eingangsdatensätze mit den größten Abweichungen meint, dass diese größten Abweichungen mit diesen Eingangsdatensätzen berechnet wurden. In einem siebten Schritt wird das reduzierte neuronale Netzes mithilfe der ersten Menge der Eingangsdatensätze adaptiert. Das Adaptieren kann hierbei wie ein gewöhnliches Training eines neuronalen Netzes nach dem Stand der Technik erfolgen. Die Schritte drei bis sechs werden vorteilhaft jedes Mal während einer Durchführung des zweiten Teilschrittes wiederholt.A sixth step of this embodiment provides that those input data records which correspond to the greatest deviations are collected in the form of a first set of input data records. Corresponding the respective input data sets with the greatest deviations means that these greatest deviations were calculated with these input data sets. In a seventh step, the reduced neural network is adapted using the first set of input data sets. The adaptation can be carried out like an ordinary training of a neural network according to the state of the art. Steps three to six are advantageously repeated each time the second sub-step is carried out.
Ist das Abbruchkriterium erfüllt, so enthält die erste Menge diejenigen Eingangsdatensätze, die den größten Einfluss auf die zuvor berechneten Abweichungen haben. Die erste Menge der Eingangsdatensätze ist kleiner als die Gesamtmenge der Eingangsdatensätze, die alle zur Verfügung stehenden Eingangsdatensätze enthält. Der Vorteil, die Eingangsdatensätze auf diese Art in der ersten Menge zu sammeln, liegt darin, dass mit den Eingangsdatensätzen der ersten Menge das reduzierte Netz schneller trainiert werden kann. Dies betrifft insbesondere eine Konvergenzrate beim Trainieren.If the termination criterion is met, the first set contains the input data records that have the greatest influence on the previously calculated deviations. The first set of input data sets is smaller than the total set of input data sets, which contains all available input data sets. The advantage of collecting the input data records in the first set in this way is that the reduced network can be trained faster with the input data records of the first set. This applies in particular to a convergence rate when exercising.
Gemäß einer weiteren Ausgestaltung ist es möglich, dass in einem initialen Schritt dieser Ausgestaltung eine vorgegebene Anzahl der größten Eigenwerte oder Singulärwerte der ersten Matrix bestimmt werden und in einer zweiten Menge zusammengefasst werden und die reduzierte Matrix mithilfe der zweiten Menge der Eigenwert beziehungsweise Singulärwerte konstruiert wird. Anschließend werden anhand der größten Eigenwerte beziehungsweis Singulärwerte die jeweiligen korrespondierenden Eigenvektoren beziehungsweise Singulärvektoren bestimmt und bevorzugt orthogonalisiert. Mit diesen, bevorzugt orthogonalisierten, Eigenvektoren beziehungsweise Singulärvektoren kann anschließend die Hilfsmatrix Z konstruiert werden, beispielsweise indem die Eigenvektoren beziehungsweise Singulärvektoren Spalten der Hilfsmatrix Z ausbilden. Im Anschluss daran kann wie oben beschrieben ein einzelner zweiter korrespondierender Ausgangsdatensatz
Im Anschluss daran kann zu jedem Eingangsdatensatz
Ist das erste Abbruchkriterium nicht erfüllt, so wird die vorgegebene Anzahl der größten Eigenwerte oder Singulärwerte der ersten Matrix um eins erhöht. Diese Ausgestaltung des Verfahrens wird von dem oben genannten initialen Schritt an wiederholt bis das erste Abbruchkriterium erfüllt ist. Vorteilhaft ist die vorgegebene Anzahl größer als eins, insbesondere größer als zehn, ist. Diese Ausgestaltung des Verfahrens kann eine Erzeugung der Hilfsmatrix beschleunigen.If the first termination criterion is not met, the predetermined number of the largest eigenvalues or singular values of the first matrix is increased by one. This configuration of the method is repeated from the above-mentioned initial step until the first termination criterion is met. The predetermined number is advantageously greater than one, in particular greater than ten. This embodiment of the method can accelerate the generation of the auxiliary matrix.
Die Netze
Das Projekt, aus dem diese Schutzrechtsanmeldung hervorgegangen ist, wurde durch das gemeinsame Unternehmen „Electronic Component Systems for European Leadership“ gemäß der Forschungsförderungsvereinbarung Nr. 737469 gefördert. Das gemeinsame Unternehmen wird durch das Forschungs- und Innovationsprogramm der Europäischen Union Horizont 2020 und Deutschland, Österreich, Spanien, Lettland, Belgien, Niederlande, Schweden, Litauen, Tschechische Republik, Rumänien, Norwegen unterstützt.The project that gave rise to this patent application was funded by the joint company "Electronic Component Systems for European Leadership" in accordance with research funding agreement No. 737469. The joint company is supported by the research and innovation program of the European Union Horizon 2020 and Germany, Austria, Spain, Latvia, Belgium, Netherlands, Sweden, Lithuania, Czech Republic, Romania, Norway.
ZITATE ENTHALTEN IN DER BESCHREIBUNG QUOTES INCLUDE IN THE DESCRIPTION
Diese Liste der vom Anmelder aufgeführten Dokumente wurde automatisiert erzeugt und ist ausschließlich zur besseren Information des Lesers aufgenommen. Die Liste ist nicht Bestandteil der deutschen Patent- bzw. Gebrauchsmusteranmeldung. Das DPMA übernimmt keinerlei Haftung für etwaige Fehler oder Auslassungen.This list of documents listed by the applicant has been generated automatically and is only included for the better information of the reader. The list is not part of the German patent or utility model application. The DPMA assumes no liability for any errors or omissions.
Zitierte PatentliteraturPatent literature cited
- DE 102018103113 [0002]DE 102018103113 [0002]
Claims (10)
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102019105850.3 | 2019-03-07 | ||
DE102019105850.3A DE102019105850A1 (en) | 2019-03-07 | 2019-03-07 | Method for generating a reduced neural network for a control device of a vehicle by means of eigenvectors |
Publications (1)
Publication Number | Publication Date |
---|---|
DE102020105785A1 true DE102020105785A1 (en) | 2020-04-23 |
Family
ID=65909984
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
DE102019105850.3A Withdrawn DE102019105850A1 (en) | 2019-03-07 | 2019-03-07 | Method for generating a reduced neural network for a control device of a vehicle by means of eigenvectors |
DE102020105785.7A Pending DE102020105785A1 (en) | 2019-03-07 | 2020-03-04 | Method for generating a reduced neural network for a control device of a vehicle using eigenvectors |
Family Applications Before (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
DE102019105850.3A Withdrawn DE102019105850A1 (en) | 2019-03-07 | 2019-03-07 | Method for generating a reduced neural network for a control device of a vehicle by means of eigenvectors |
Country Status (1)
Country | Link |
---|---|
DE (2) | DE102019105850A1 (en) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102019119087A1 (en) | 2019-07-15 | 2021-01-21 | Dr. Ing. H.C. F. Porsche Aktiengesellschaft | COMPONENT-BASED PROCESSING OF INPUT SIZES |
DE102019119739A1 (en) | 2019-07-22 | 2021-01-28 | Dr. Ing. H.C. F. Porsche Aktiengesellschaft | Method and system for generating security-critical output values of an entity |
DE102020127051A1 (en) | 2020-10-14 | 2022-04-14 | Dr. Ing. H.C. F. Porsche Aktiengesellschaft | Method for determining safety-critical output values using a data analysis device for a technical entity |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102018103113A1 (en) | 2017-02-20 | 2018-08-23 | FEV Europe GmbH | Method for operating a hybrid system for a vehicle |
-
2019
- 2019-03-07 DE DE102019105850.3A patent/DE102019105850A1/en not_active Withdrawn
-
2020
- 2020-03-04 DE DE102020105785.7A patent/DE102020105785A1/en active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102018103113A1 (en) | 2017-02-20 | 2018-08-23 | FEV Europe GmbH | Method for operating a hybrid system for a vehicle |
Also Published As
Publication number | Publication date |
---|---|
DE102019105850A1 (en) | 2019-04-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
DE102020105785A1 (en) | Method for generating a reduced neural network for a control device of a vehicle using eigenvectors | |
DE112016001796T5 (en) | FINE-BITE IMAGE CLASSIFICATION BY EXPLORING LABELS FROM A BIPARTITE GRAPH | |
DE112020000281T5 (en) | COMBINING MODELS THAT HAVE RESPECTIVE TARGET CLASSES WITH DISTILLATION | |
DE102006038151B4 (en) | Method and device for controlling personal protection devices | |
DE102018109835A1 (en) | Method and device for determining a network configuration of a neural network | |
EP1193688A2 (en) | Method for determining an eigenspace to represent a plurality of trainingsspeakers | |
DE102019209644A1 (en) | Method for training a neural network | |
WO2019206792A1 (en) | Method and device for converting an input image of a first domain into an output image of a second domain | |
DE102018130004B3 (en) | INTELLIGENT DRIVING BASED ON A SUPPORT VECTOR MACHINE FOR PASSING CROSSROADS AND INTELLIGENT DRIVING SYSTEM THEREFOR | |
DE102018206108A1 (en) | Generate validation data with generative contradictory networks | |
EP1193689A2 (en) | Method for the computation of an eigenspace for the representation of a plurality of training speakers | |
DE102020105783A1 (en) | Method of creating a reduced neural network | |
DE102010033744A1 (en) | Method for detecting free hand travel of rider in motor car, involves classifying feature vector into class which defines characteristics of free hand travel | |
DE102020211262A1 (en) | Method and device for compressing a neural network | |
DE102018129871A1 (en) | Train a deep convolutional neural network to process sensor data for use in a driving support system | |
DE102013225768A1 (en) | Method and apparatus for determining a LOLIMOT model | |
DE102019114049A1 (en) | Method for validating a driver assistance system using further generated test input data sets | |
WO1998034176A1 (en) | Method for transforming a fuzzy logic used to simulate a technical process into a neural network | |
WO1998007100A1 (en) | Computer-aided selection of training data for neural networks | |
DE102020122979A1 (en) | Method for providing a compressed, robust neural network and assistance device | |
DE102019113958A1 (en) | A method of enhancing the performance of a vehicle system having a neural network for controlling a vehicle component | |
DE19734735C2 (en) | Classification procedure with a neural network | |
DE102022123499B3 (en) | Computer-implemented method, processor circuit and computer program for processing measurement points received from an environment sensor, in particular radar measurement points, for object detection and a correspondingly equipped motor vehicle | |
DE102020213238A1 (en) | GENERATION OF SIMPLIFIED COMPUTER-IMPLEMENTED NEURAL NETWORKS | |
DE102022201853A1 (en) | Detection of critical traffic situations with Petri nets |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
R084 | Declaration of willingness to licence | ||
R230 | Request for early publication |