DE4340977C1 - Adaptives Signalauswerte-System - Google Patents

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.