DE4340977C1 - Adaptives Signalauswerte-System - Google Patents
Adaptives Signalauswerte-SystemInfo
- Publication number
- DE4340977C1 DE4340977C1 DE19934340977 DE4340977A DE4340977C1 DE 4340977 C1 DE4340977 C1 DE 4340977C1 DE 19934340977 DE19934340977 DE 19934340977 DE 4340977 A DE4340977 A DE 4340977A DE 4340977 C1 DE4340977 C1 DE 4340977C1
- Authority
- DE
- Germany
- Prior art keywords
- vector
- output
- input
- training
- component
- 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.)
- Expired - Fee Related
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D3/00—Indicating or recording apparatus with provision for the special purposes referred to in the subgroups
- G01D3/02—Indicating or recording apparatus with provision for the special purposes referred to in the subgroups with provision for altering or correcting the law of variation
Landscapes
- Engineering & Computer Science (AREA)
- Technology Law (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Image Analysis (AREA)
Description
Die Erfindung bezieht sich auf ein adaptiv aufgebautes System zur Auswertung
von Signal- oder Merkmalsvektoren gemäß dem Oberbegriff des Anspruchs 1.
Ein solches System ist aus der Druckschrift Schöneburg, Eberhard u. a.
"Neuronale Netzwerke" bekannt.
Systeme zur Auswertung von Signal- oder Merkmalsvektoren der eingangs ge
nannten Art sind häufig adaptiv aufgebaut, d. h. sie können anhand von Trainings
daten über sogenannte innere Parameter an eine bestimmte Aufgabenstellung an
gepaßt werden. Typische Vertreter solcher Systeme sind lineare oder nichtlineare
Polynomklassifikatoren, neuronale Netze oder Systeme mit Radialbasisfunktionen.
Zur Adaption eines solchen Systems wird zunächst ein Satz von Trainingsdaten
gebildet, d. h. es werden eine Menge von typischen Eingangsvektoren mit den je
weils zugehörigen Ausgangsvektoren gemessen, berechnet und/oder ausgewählt.
Wie die Fig. 3 veranschaulicht, werden in der Trainingsphase eines bekannten
Systems die freien Parameter mittels der Trainingsdaten an die Aufgabenstellung
angepaßt. Dies kann in iterativem Durchlauf durch den Trainingsdatensatz ge
schehen, wie beim Neuronetz, oder in einer geschlossenen Berechnung, wie beim
linearen Klassifikator. Ziel ist bei fest vorgegebener Systemstruktur, die freien
Parameter so einzustellen, daß die Ist-Ausgangsvektoren sich von den Soll-Aus
gangsvektoren möglichst wenig unterscheiden.
Betrachtet man den Fall, daß der Eingangsvektor aus weitgehend unabhängigen,
aber teilweise redundanten Einzelsignalen besteht, wie beispielsweise den Signalen
aus einzelnen Sensoren mit eventuell überlappender Charakteristik, so haben
die bisherigen adaptiven Auswertesysteme die Redundanz nur in sehr beschänktem
Umfang ausgenützt und lieferten bei Störungen im Eingang entsprechend
große Störungen auch im Ausgang. Gestörte Komponenten können aber nicht
lokalisiert werden.
Aus der DE 41 20 828 A1 ist die Adaptierung eines neuronalen Systems mittels
Trainingsdaten bekannt, bei dem jedoch alle Komponenten verändert werden,
also auch Werte von guten Komponenten.
Der Erfindung liegt die Aufgabe zugrunde, ein System der eingangs genannten
Art zur fehlertoleranten Auswertung von Sensor-Signalen zu schaffen, das nicht
nur aus Rohdaten Nutzsignale bildet, sondern auch fehlerhafte Komponenten von
Eingangssignalen erkennt und zusätzlich aus - wegen Sensorausfall - unvollständigen
Daten einen vollständigen Sensordatensatz rekonstruiert.
Diese Aufgabe wird durch die im Anspruch 1 aufgezeigten Maßnahmen gelöst. In
den Unteransprüchen sind Ausgestaltungen und Weiterbildungen angegeben und
in der nachfolgenden Beschreibung sind Ausführungsbeispiele erläutert und in
den Figuren der Zeichnung skizziert, wobei diese Figuren die Erläuterungen er
gänzen. Es zeigt
Fig. 1 ein Blockschaltbild des Aufbaus und der Arbeitsphase eines Ausfüh
rungsbeispiels in schematischer Darstellung,
Fig. 2 ein Blockschaltbild des Ausführungsbeispiels gemäß Fig. 1 für den
Aspekt "Redundanz" und eines für den Aspekt "Nutzsignal" während
der Trainingsphase im vorliegenden Ausführungsbeispiel gem. Fig. 1,
Fig. 3 Blockschaltbilder bezüglich der Trainings- und der Arbeitsphase für ein
adaptives Auswertesystem nach dem Stand der Technik,
Fig. 4 eine Darstellung eines Prinzipaufbaus der Meßanordnung bei einem
Ausführungsbeispiel für die Klassifikation von Flüssigkeiten,
Fig. 5 ein Diagramm der spektralen Charakteristik der Dioden gemäß der
Meßanordnung nach Fig. 4,
Fig. 6 ein Diagramm bezüglich der Meßvektoren der verschiedenen Klassen
gemäß der Meßanordnung nach Fig. 4,
Fig. 7 ein Diagramm bezüglich der Rekonstruktion des Meßvektors bei ge
störter Diode Nr. 3 gemäß der Meßanordnung nach Fig. 4.
Der funktionelle Aufbau des in Fig. 1 skizzierten Ausführungsbeispiels - das
nachfolgend "korrigierendes System" genannt wird, entspricht zum Teil demjenigen
des Standes der Technik. Zusätzlich zum üblichen Ausgangsvektor - im vor
liegenden Fall "Nutzsignalausgang" genannt - ist ein in Struktur und Größe exakt
dem Eingangsvektor entsprechender zweiter Ausgang angeordnet und dieser
zweite Ausgang soll im Fall ungestörter Signal-Eingänge exakt den Eingangsvektor
reproduzierten und im Fehlerfall aber korrigierte Eingangswerte bereitstellen.
Das Auswertungsbauelement kann nun ganz oder teilweise für den Nutzausgang
und den zweiten Ausgang getrennt aufgebaut sein, wobei letzterer mit einem
Komparator für Differenz und Schwellwert verbunden ist, der diejenigen Kompo
nenten ermittelt, die sich im zweiten Ausgang und im ursprünglichen Eingang um
mehr als den vorgegebenen Schwellwert unterscheiden. Diese Komponenten
werden korrigiert und gegebenenfalls angezeigt.
Für das vorgeschlagene korrigierende System wird - wie bisher auch - zunächst
ein Trainingsdatensatz erzeugt. In der Trainings- und Arbeitsphase ergeben sich
nun folgende Abweichungen:
Die Trainingsphase zerfällt in zwei Teilaspekte, nämlich in ein Training der Redundanz
und in ein Training des Nutzausgangs (Fig. 2). Falls das Auswertungs
bauelement für beide getrennt parametrisiert ist, können beide Trainingsaspekte
logisch und zeitlich getrennt ablaufen. Im anderen Fall sind sie zusammen durch
zuführen. Das Training bezüglich des Nutzsignals entspricht demjenigen der bis
herigen - konventionellen - Systemen und braucht daher hier nicht mehr weiter
besprochen zu werden.
Das Training des zweiten Ausgangs dagegen verläuft nach folgendem Schema:
Jeder Eingangsvektor im Trainingsdatensatz wird mehrfach angelegt. Bei jedem
Trainingsschritt wird genau eine Komponente verfälscht - beispielsweise durch
den minimal und den maximal erreichbaren Wert - und ersetzt. Die entsprechende,
von der Auswertung erzeugte Komponente im zweiten Nutzsignalausgang
(Ausgangsvektor) wird verglichen und mit Originalwert im Eingangsvektor. Die
Parameter werden so verändert, daß die Differenz der Werte sich vermindert. Das
ganze geschieht über alle Komponenten eines Eingangsvektors, über alle Ein
gangsvektoren im Trainingsdatensatz und gegebenenfalls mehrmals über den
Trainingsdatensatz. Es wird also jeweils eine Komponente des Eingangsvektors
verfälscht und nur die Differenz dieser Komponente im 2. Ausgang mit dem Original
am Eingang wird zur Parameteradaption verwendet.
Falls das Auswertebauelement die geeignete Struktur besitzt und groß genug ist
sowie die Eingangssignale genügend redundant sind, stellen sich die Parameter
der Auswertung so ein, daß ein gestörtes Eingangssignal optimal rekonstruiert
wird. Soweit zur Trainingsphase und nun zur sogenannten Arbeitsphase.
Diese Arbeitsphase besteht aus zwei Teilschritten, nämlich einem die Prüfung
und gegebenenfalls der Korrektur des Eingangsvektors und zum andernmal der
Berechnung des Nutzausgangs auf der Basis des korrigierten Eingangs. Letztere
entspricht allerdings derjenigen bisher bekannten Systeme und braucht deshalb
nicht weiter besprochen zu werden.
Das Prüfen und Korrigieren des Eingangsvektors - also der erste Schritt der Ar
beitsphase - sieht vor, zunächst den ursprünglichen Eingangsvektor - beispiels
weise die Rohdaten aus den Einzelsensoren - anzulegen. Die Werte, die sich im
zweiten Ausgang ergeben, werden an den Komparator angelegt, ebenso die
Werte des momentanen Eingangs. Ergibt sich nun bei einem oder mehreren Kom
ponenten eine Differenz größer als der vorgesehene Schwellwert, so werden
diese Komponenten im Eingangsvektor durch die berechneten des zweiten Nutz
signalausgangs ersetzt. Diesen vorbeschriebenen Arbeitsschritt kann man iterativ
mehrmals durchführen, bis sich der Eingangsvektor stabilisiert hat. Eventuell
kann der Schwellwert bei jeder Iteration verändert werden. Die Schwellwerte
können für verschiedene Komponenten verschieden groß sein, abhängig von der
zu erwartenden Signalhöhe und Signalart.
Damit ist ein adaptives System zur fehlertoleranten Auswertung von Signalen
geschaffen worden, das sich besonders für neuronale Sensornetze eignet und die
Signale der Sensoren zuerst überprüft und gegebenenfalls korrigiert und erst dann
in der üblichen Weise auswertet, wobei dieses System nicht nur genauer als die
bisherigen Systeme arbeitet, sondern außerdem noch fehlerhafte Komponenten
von Sensoreingangssignalen erkennt, wobei aus Rohdaten sowohl das Nutzsignal
als auch das rekonstruierte Signal "geschätzt" und beide Schätzfunktionen aus
"Beispielen erlernt" werden. Sowohl für die Anwendung von Sensornetzen, als
auch für die Konzeption derartiger Sensornetze ist durch das vorgeschlagene System
ein wesentlicher Fortschritt gegeben, denn die von einer Vielzahl wenig
zuverlässiger Sensoren (u. a. ausfallbedroht) stammenden Rohdaten werden
Nutzsignale, und hilfsweise rekonstruierte Signale gebildet. Die Figuren der
Zeichnung ergänzen vorstehende Äußerungen, so daß keine weiteren Erläuterungen
mehr für notwendig erscheinen.
An einem Beispiel zur Klassifikation von Flüssigkeiten sollen vorstehende Aus
führungen noch einmal erläutert werden:
In einem System sollen flüssige Proben klassifiziert werden. Die verschiedenen
Klassen von Proben unterscheiden sich im Farbspektrum. Zur Messung des
Spektrums einer Probe werden vier Photodioden verwendet mit jeweils breitbandiger,
sich teilweise überlappender Charakteristik (Fig. 4-7).
Wenn nun beispielsweise die Diode 3 (Fig. 6) ausfällt, etwa als Signal immer 0
liefert, so ist für die Signalkomponente nach der ersten Iteration die Differenz
zwischen ursprünglichen Signalwert "0" und rekonstruiertem Wert größer als der
Schwellwert, also wird diese Komponente ersetzt (Fig. 7). Die anderen Kompo
nenten behalten für die zweite Iteration ihre ursprünglichen Werte. Der Wert für
die dritte Komponente wird in der ersten und zweiten Iteration genau gleich re
konstruiert, da der Rekonstruktions-Algorithmus nur die übrigen Komponenten
verwendet. Bei den ungestörten Komponenten weicht die Rekonstruktion in der
ersten Iteration meist stärker vom Meßwert ab als in der zweiten Iteration, da die
erste Iteration den fehlerhaften Meßwert der dritten Komponente verwendet, die
zweite Iteration jedoch den verbesserten Ersatzwert.
Claims (5)
1. Adaptiv aufgebautes System zur Auswertung von Signal- oder Merkmals
vektoren mittels einer Auswerteeinheit, die anhand von Trainingsdaten über innere
Parameter an eine Aufgabenstellung definiert angepaßt ist, wobei als Trai
ningsdaten eine Vielzahl von typischen Eingangsvektoren mit jeweils zugehörigen
Ausgangsvektoren verwendet werden, dadurch gekennzeichnet, daß das System
einen Kontrollvektor (2. Ausgang) enthält, der in Struktur und Größe exakt dem
Eingangsvektor entspricht.
2. System nach Anspruch 1, dadurch gekennzeichnet, daß das System im
Fall ungestörter Werte des Eingangsvektors diesen annähernd identisch im Kon
trollvektor (2. Ausgang) reproduziert, im Störungsfall jedoch im Kontrollvektor
Ersatzwerte bereitstellt, wobei der Kontrollvektor (2. Ausgang) mit einem Kom
parator - zur Ermittlung und Korrektur der Komponenten im Eingangsvektor, die
von den entsprechenden Komponenten im Kontrollvektor (2. Ausgang) zu stark
abweichen - verbunden ist.
3. System nach Anspruch 1 oder 2, dadurch gekennzeichnet, daß der Kon
trollvektor (2. Ausgang) der Auswerteeinheit nachgeschaltet ist und der
Komparator an dessen Ausgang sowie mit einer Anzeigeeinheit und der Kor
rektureinheit und dem Eingang der Auswerteeinheit verbunden ist.
4. System nach einem der Ansprüche 1 bis 3, dadurch gekennzeichnet, daß
in der Trainingsphase in einem Trainingsschritt jeweils eine einzelne Komponente
des Eingangsvektors verfälscht wird - z. B. durch den minimalen und/oder maximalen
Wert - und nur die Differenz dieser Komponente im Kontrollvektor (2. Ausgang)
und dem Original-Eingang zur Parameteradaption verwendet und in die
Auswerteeinheit eingegeben wird.
5. System nach einem der Ansprüche 1 bis 4, dadurch gekennzeichnet, daß
für jede Komponente von jedem Eingangsvektor im Trainingsdatensatz der Trai
ningsschritt solange immer wieder durchgeführt wird, bis das System nach Ab
schluß des Trainings, jede Komponente des Kontrollvektors aus den Werten der
übrigen Komponenten des Eingangsvektors bestimmen kann, die nicht dieser
Komponente des Kontrollvektors entsprechen.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE19934340977 DE4340977C1 (de) | 1993-12-01 | 1993-12-01 | Adaptives Signalauswerte-System |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE19934340977 DE4340977C1 (de) | 1993-12-01 | 1993-12-01 | Adaptives Signalauswerte-System |
Publications (1)
Publication Number | Publication Date |
---|---|
DE4340977C1 true DE4340977C1 (de) | 1995-03-16 |
Family
ID=6503931
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
DE19934340977 Expired - Fee Related DE4340977C1 (de) | 1993-12-01 | 1993-12-01 | Adaptives Signalauswerte-System |
Country Status (1)
Country | Link |
---|---|
DE (1) | DE4340977C1 (de) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE4120828A1 (de) * | 1991-06-24 | 1993-01-07 | Siemens Ag | Verfahren zur verarbeitung von unsicherheiten von eingangsdaten in neuronalen netzwerken |
-
1993
- 1993-12-01 DE DE19934340977 patent/DE4340977C1/de not_active Expired - Fee Related
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE4120828A1 (de) * | 1991-06-24 | 1993-01-07 | Siemens Ag | Verfahren zur verarbeitung von unsicherheiten von eingangsdaten in neuronalen netzwerken |
Non-Patent Citations (1)
Title |
---|
SCHÖNEBURG, Eberhard u.a.: "Neuronale Netzwerke" Markt & Technik Verlag AG, 1990, S. 26-33 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
DE602005002763T2 (de) | Kodierer und Steuervorrichtung für Motor | |
DE4037340C2 (de) | ||
DE10297009B4 (de) | Sensorfusion unter Verwendung von selbstvaluierenden Prozesssensoren | |
EP1148442A2 (de) | Röntgenuntersuchungsgerät und Verfahren zur Erzeugung eines Röntgenbildes | |
EP0494632A2 (de) | Signalverarbeitungsanordnung zur Klassifizierung von Objekten aufgrund der Signale von Sensoren | |
DE10007972A1 (de) | Diagnosevorrichtung und -verfahren in einem Prozeßsteuersystem | |
DE102018202027B3 (de) | Verfahren zur Detektion defekter Druckdüsen in einer Inkjet-Druckmaschine | |
EP2614958A1 (de) | Verfahren zur Vermessung von Messfeldem | |
EP2475920A1 (de) | Diagnosesystem für ein ventil | |
EP1697803A2 (de) | Prozessmessgerät mit erweiterter hardwarefehlererkennung | |
DE102017203932A1 (de) | Röntgenstrahler und Verfahren zur Kompensation einer Brennfleckbewegung | |
DE102014206292A1 (de) | Elektroniksteuervorrichtung | |
DE102008057474B4 (de) | Meßumformer | |
DE102019211656A1 (de) | Bestimmung eines Verschleißgrades eines Werkzeugs | |
DE4019216A1 (de) | Verfahren zum eichen einer elektrischen fernsteuerungsvorrichtung in form eines manipulators oder eines analogen elements und vorrichtung zur durchfuehrung des verfahrens | |
DE4108470C2 (de) | Verfahren und Vorrichtung zum optischen Zweistrahlabtasten | |
DE10207733A1 (de) | Spektroskopieverfahren | |
DE69530715T2 (de) | Messvorrichtung für eine elektrische Grösse | |
DE4340977C1 (de) | Adaptives Signalauswerte-System | |
DE10355022B4 (de) | Verfahren zur Überwachung eines technischen Systems | |
EP0392182A2 (de) | Verfahren und Schaltung zur Auswertung von kontinuierlich auftretenden Zeitmarken | |
DE102007022842A1 (de) | Verfahren und Messanordnung zur Differenzdruckmessung | |
DE112015002633T5 (de) | Erfassungskette mindestens einer physikalischen Größe, inbesondere für ein kritisches On-Board-Avioniksystem, und zugeordnetes Erfassungsverfahren | |
DE102018006035A1 (de) | Verfahren zur automatisierten Erzeugung von Einstellmarametern und zur Prozessüberwachung bei zyklischen Produktionsprozessen | |
DE102005029114B4 (de) | Verfahren zur Druckmessung für Kombinations-Druck-Sensoren im Vakuum-Bereich mit mindestens zwei Sensoren und Verfahren zur automatischen Findung eines Justierwertes für die "Offset-Justierung" bei Kombinations-Druck-Sensoren |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
8100 | Publication of the examined application without publication of unexamined application | ||
D1 | Grant (no unexamined application published) patent law 81 | ||
8327 | Change in the person/name/address of the patent owner |
Owner name: DAIMLER-BENZ AEROSPACE AKTIENGESELLSCHAFT, 80804 M |
|
8364 | No opposition during term of opposition | ||
8339 | Ceased/non-payment of the annual fee |