WIPO logo
Mobile | Deutsch | Español | Français | 日本語 | 한국어 | Português | Русский | 中文 | العربية |
PATENTSCOPE

Search International and National Patent Collections
World Intellectual Property Organization
Search
 
Browse
 
Translate
 
Options
 
News
 
Login
 
Help
 
Machine translation
1. (WO2012113634) METHOD FOR THE COMPUTER-AIDED LEARNING OF A RECURRENT NEURONAL NETWORK FOR MODELLING A DYNAMIC SYSTEM
Latest bibliographic data on file with the International Bureau   

Pub. No.:    WO/2012/113634    International Application No.:    PCT/EP2012/051822
Publication Date: 30.08.2012 International Filing Date: 03.02.2012
IPC:
G06N 3/04 (2006.01)
Applicants: SIEMENS AKTIENGESELLSCHAFT [DE/DE]; Wittelsbacherplatz 2 80333 München (DE) (For All Designated States Except US).
ZIMMERMANN, Hans-Georg [DE/DE]; (DE) (For US Only).
GROTHMANN, Ralph [DE/DE]; (DE) (For US Only).
TIETZ, Christoph [DE/DE]; (DE) (For US Only)
Inventors: ZIMMERMANN, Hans-Georg; (DE).
GROTHMANN, Ralph; (DE).
TIETZ, Christoph; (DE)
Common
Representative:
SIEMENS AKTIENGESELLSCHAFT; Postfach 22 16 34 80506 München (DE)
Priority Data:
10 2011 004 693.3 24.02.2011 DE
Title (DE) VERFAHREN ZUM RECHNERGESTÜTZTEN LERNEN EINES REKURRENTEN NEURONALEN NETZES ZUR MODELLIERUNG EINES DYNAMISCHEN SYSTEMS
(EN) METHOD FOR THE COMPUTER-AIDED LEARNING OF A RECURRENT NEURONAL NETWORK FOR MODELLING A DYNAMIC SYSTEM
(FR) PROCÉDÉ D'APPRENTISSAGE ASSISTÉ PAR ORDINATEUR D'UN RÉSEAU NEURONAL RÉCURRENT POUR LA MODÉLISATION D'UN SYSTÈME DYNAMIQUE
Abstract: front page image
(DE)Die Erfindung betrifft ein Verfahren zum rechnergestützten Lernen eines rekurrenten neuronalen Netzes zur Modellierung eines dynamischen Systems, das zu jeweiligen Zeitpunkten durch einen Observablenvektor umfassend ein oder mehrere Observablen als Einträge charakterisiert wird. Erfindungsgemäß wird sowohl ein kausales Netz mit einem zeitlich vorwärts gerichteten Informationsfluss als auch ein retro-kausales Netz mit einem zeitlich rückwärts gerichteten Informationsfluss gelernt. Die Zustände des dynamischen Systems werden in dem kausalen Netz durch erste Zustandsvektoren und in dem retro-kausalen Netz durch zweite Zustandsvektoren charakterisiert, welche jeweils Observablen des dynamischen Systems sowie versteckte Zustände des dynamischen Systems enthalten. Die Observablen der ersten Zustandsvektoren werden durch einen ersten Differenzvektor korrigiert, der beim Lernen des kausalen Netzes den Unterschied zwischen den Observablen des ersten Zustandsvektors und den Observablen eines bekannten Observablenvektors aus Trainingsdaten beschreibt. Das erfindungsgemäße Verfahren zeichnet sich dadurch aus, dass das retro-kausale Netz einen separaten zweiten Differenzvektor umfasst, mit dem die Observablen des zweiten Zustandsvektoren korrigiert werden und welche beim Lernen des retro-kausalen Netzes den Unterschied zwischen den Observablen des zweiten Zustandsvektors und einem bekannten Observablenvektor aus Trainingsdaten beschreibt. Das Verfahren ist dynamisch stabil und eignet sich insbesondere zur Modellierung der zeitlichen Entwicklung von Energiepreisen und/oder Rohstoffpreisen. Ebenso kann das Verfahren zur Modellierung von Observablen beliebiger technischer Systeme eingesetzt werden, wie z.B. Gasturbinen und/oder Windkraftanlagen.
(EN)The invention relates to a method for the computer-aided learning of a recurrent neural network for modelling a dynamic system which is characterized at respective times by an observables vector comprising one or more observables as entries. According to the invention, this involves learning a causal network with a flow of information that is directed forwards in time and a retrocausal network with a flow of information that is directed backwards in time. The states of the dynamic system are characterized by first state vectors in the causal network and by second state vectors in the retrocausal network, which contain respectively observables of the dynamic system and hidden states of the dynamic system. The observables of the first state vectors are corrected by a first differential vector which describes the difference between the observables of the first state vector and the observables of a known observable vector composed of training data during learning the causal network. The method according to the invention is characterized in that the retrocausal network comprises a separate second differential vector, by which the observables of the second state vector are corrected and which describes the difference between the observables of the second state vector and a known observable vector composed of training data during learning the retrocausal network. The method is dynamically stable and is particularly suitable for modelling the temporal development of energy prices and/or raw material prices. Similarly, the method can be used for modelling observables for any technical systems, such as, for example, gas turbines and/or wind power installations.
(FR)La présente invention concerne un procédé d'apprentissage assisté par ordinateur d'un réseau neuronal récurrent pour la modélisation d'un système dynamique qui est caractérisé à chaque instant par un vecteur d'observables comprenant une ou plusieurs observables en tant qu'entrées. Selon l'invention, l'apprentissage à la fois d'un réseau causal comprenant un flux d'informations orienté temporellement vers l'avant et d'un réseau rétrocausal comprenant un flux d'informations orienté temporellement vers l'arrière est effectué. Les états du système dynamique sont caractérisés dans le réseau causal par des premiers vecteurs d'état et dans le réseau rétrocausal par des deuxièmes vecteurs d'état, lesquels contiennent respectivement des observables du système dynamique ainsi que des états cachés du système dynamique. Les observables des premiers vecteurs d'état sont corrigées par un premier vecteur de différence décrivant la différence entre les observables du premier vecteur d'état et les observables d'un vecteur d'observables connu composé de données d'apprentissage lors de l'apprentissage du réseau causal. Le procédé selon l'invention est caractérisé en ce que le réseau rétrocausal comprend un deuxième vecteur de différence séparé avec lequel les observables du deuxième vecteur d'état sont corrigées et qui décrit la différence entre les observables du deuxième vecteur d'état et un vecteur d'observables connu composé de données d'apprentissage lors de l'apprentissage du réseau rétrocausal. Le procédé est stable de manière dynamique et convient notamment à la modélisation de l'évolution dans le temps du prix des énergies et/ou des matières premières. Le procédé peut également être utilisé pour la modélisation d'observables de systèmes techniques quelconques, par exemple dans des turbines à gaz et/ou des éoliennes.
Designated States: AE, AG, AL, AM, AO, AT, AU, AZ, BA, BB, BG, BH, BR, BW, BY, BZ, CA, CH, CL, CN, CO, CR, CU, CZ, DE, DK, DM, DO, DZ, EC, EE, EG, ES, FI, GB, GD, GE, GH, GM, GT, HN, HR, HU, ID, IL, IN, IS, JP, KE, KG, KM, KN, KP, KR, KZ, LA, LC, LK, LR, LS, LT, LU, LY, MA, MD, ME, MG, MK, MN, MW, MX, MY, MZ, NA, NG, NI, NO, NZ, OM, PE, PG, PH, PL, PT, QA, RO, RS, RU, RW, SC, SD, SE, SG, SK, SL, SM, ST, SV, SY, TH, TJ, TM, TN, TR, TT, TZ, UA, UG, US, UZ, VC, VN, ZA, ZM, ZW.
African Regional Intellectual Property Organization (BW, GH, GM, KE, LR, LS, MW, MZ, NA, RW, SD, SL, SZ, TZ, UG, ZM, ZW)
Eurasian Patent Organization (AM, AZ, BY, KG, KZ, MD, RU, TJ, TM)
European Patent Office (AL, AT, BE, BG, CH, CY, CZ, DE, DK, EE, ES, FI, FR, GB, GR, HR, HU, IE, IS, IT, LT, LU, LV, MC, MK, MT, NL, NO, PL, PT, RO, RS, SE, SI, SK, SM, TR)
African Intellectual Property Organization (BF, BJ, CF, CG, CI, CM, GA, GN, GQ, GW, ML, MR, NE, SN, TD, TG).
Publication Language: German (DE)
Filing Language: German (DE)