Способ и система обучения алгоритма машинного обучения - заявка 2016136413 на патент на изобретение в РФ

1. Способ обучения алгоритма машинного обучения (Machine Learning Algorithm, MLA), способ выполняется на сервере, причем сервер реализует MLA, способ включает в себя:
• создание сервером обучающей выборки для обучения MLA, причем обучающая выборка включает в себя множество векторов признаков и соответствующие связанные расчетные погрешности, причем создание обучающей выборки включает в себя:
ο создание сервером множества векторов признаков на основе данных истории, связанных с производственным процессом, причем каждый вектор признаков представляет множество идентифицированных признаков промышленного процесса в данных истории;
ο извлечение сервером множества выходных значений из данных истории, причем каждое выходное значение в множестве выходных значений представляет соответствующий прошлый результат производственного процесса и соответственно связано с каждым вектором признаков в множестве векторов признаков;
ο идентификацию сервером соответствующего значения целевого признака процесса в каждом векторе признаков, причем целевой признак процесса был предварительно определен оператором;
ο определение сервером функции регрессии, которая представляет взаимоотношения между каждым значением целевого признака процесса и соответствующим выходным значением;
ο определение сервером расчетного выходного значения для каждого соответствующего значения целевого признака процесса на основе функции регрессии;
ο определение сервером расчетной погрешности для каждого вектора признаков на основе соответствующего связанного выходного значения и соответствующего связанного расчетного выходного значения;
• обучение сервером MLA на основе обучающей выборки прогнозировать соответствующую расчетную погрешность для каждого вектора признаков, причем
обучение MLA включает в себя ввод сервером каждого вектора признаков и соответствующую связанную расчетную погрешность в MLA.
2. Способ по п. 1, в котором способ также включает в себя хранение сервером функции регрессии в хранилище.
3. Способ по п. 2, в котором способ дополнительно включает в себя после указанного обучения:
• получение сервером функции регрессии из хранилища;
• получение сервером текущих значений набора признаков процесса и текущего выходного значения, которое представляет желаемый результат промышленного процесса, а набор признаков процесса представляет множество идентифицированных признаков промышленного процесса за исключением целевого признака процесса;
• определение сервером первого пробного расчетного выходного значения для первого пробного значения целевого признака процесса на основе функции регрессии;
• определение сервером первой пробной расчетной погрешности от обученного MLA для текущих значений набора признаков процесса и первого пробного значения целевого признака процесса с помощью ввода сервером текущих значений набора признаков процесса и первого пробного значения целевого признака процесса в обученный MLA;
• определение сервером первого пробного скорректированного расчетного выходного значения на основе первого пробного расчетного выходного значения и первой пробной расчетной погрешности;
• определение сервером второго пробного расчетного выходного значения для второго пробного значения целевого признака процесса на основе функции регрессии;
• определение сервером второй пробной расчетной погрешности от обученного MLA для текущих значений набора признаков процесса и второго пробного значения целевого признака процесса с помощью ввода сервером текущих значений текущего набора признаков процесса и второго пробного значения целевого признака процесса в обученный MLA;
• определение сервером второго пробного скорректированного расчетного выходного значения на основе второго пробного расчетного выходного значения и второй пробной расчетной погрешности; и
• отбор сервером данного из первого пробного значения целевого признака процесса и второго пробного значения целевого признака процесса как текущего значения целевого признака процесса на основе разницы между текущим выходным значением и первым пробным скорректированным расчетным выходным значением и разницы между текущим выходным значением и вторым пробным скорректированным расчетным выходным значением.
4. Способ по п. 3, в котором способ дополнительно включает в себя инициацию сервером выполнения производственного процесса с текущими значениями набора признаков процесса и текущим значением целевого признака процесса для получения текущего выходного значения.
5. Способ по п. 4, в котором способ дополнительно включает в себя определение сервером первого пробного значения и второго пробного значения на основе данных истории.
6. Способ по п. 1, в котором функция регрессии является одной из следующих:
• линейной регрессией;
• дробно-линейной регрессией;
• логистической регрессией;
• полиномиальной регрессией;
• гребневой регрессией;
• лассо-регрессией.
7. Способ по п. 1, способ включает в себя:
ο идентификацию соответствующего значения первого целевого признака процесса и второго целевого признака процесса в каждом векторе признаков, где первый целевой признак процесса и второй целевой признак процесса были предварительно определены оператором;
ο определение сервером планарной функции регрессии, которая представляет взаимоотношения между каждым значением первого целевого признака процесса, соответствующим значением второго целевого признака процесса и соответствующим выходным значением;
ο определение сервером расчетного выходного значения для каждого соответствующего значения первого целевого признака процесса и соответствующего значения второго целевого признака процесса на основе планарной функции регрессии; и
ο определение сервером расчетной погрешности для каждого вектора признаков на основе соответствующего связанного выходного значения и соответствующего связанного расчетного выходного значения;
• обучение сервером MLA на основе обучающей выборки прогнозировать соответствующую расчетную погрешность для каждого вектора признаков, причем обучение MLA включает в себя ввод сервером каждого вектора признаков и соответствующую связанную расчетную погрешность в MLA.
8. Способ по п. 7, в котором способ дополнительно включает в себя после указанного обучения:
• получение сервером планарной функции регрессии из хранилища;
• получение сервером текущих значений набора признаков процесса и текущего выходного значения, которое представляет желаемый результат промышленного процесса, а набор признаков процесса представляет множество
идентифицированных признаков промышленного процесса за исключением первого целевого признака процесса и второго целевого признака процесса;
• определение сервером первого пробного расчетного выходного значения для первого пробного значения первого целевого признака процесса и первого значения второго целевого признака процесса на основе планарной функции регрессии;
• определение сервером первой пробной расчетной погрешности от обученного MLA для текущих значений набора признаков процесса, первого пробного значения первого целевого признака процесса и первого пробного значения второго целевого признака процесса с помощью ввода сервером текущих значений набора признаков процесса, первого пробного значения первого целевого признака процесса и первого значения второго целевого признака процесса в обученный MLA;
• определение сервером первого пробного скорректированного расчетного выходного значения на основе первого пробного расчетного выходного значения и первой пробной расчетной погрешности;
• определение сервером второго пробного расчетного выходного значения для второго пробного значения первого целевого признака процесса и второго пробного значения второго целевого признака процесса на основе планарной функции регрессии;
• определение сервером второй пробной расчетной погрешности от обученного MLA для текущих значений набора признаков процесса, второго пробного значения первого целевого признака процесса и второго пробного значения второго целевого признака процесса с помощью ввода сервером текущих значений текущего набора признаков процесса, второго пробного значения первого целевого признака процесса и второго значения второго целевого признака процесса в обученный MLA;
• определение сервером второго пробного скорректированного расчетного выходного значения на основе второго пробного расчетного выходного значения и второй пробной расчетной погрешности; и
• отбор сервером первых пробных значений или вторых пробных значений как текущей пары значений для первого целевого признака процесса и второго
целевого признака процесса, соответственно, на основе разницы между текущим выходным значением и первым пробным скорректированным расчетным выходным значением и разницы между текущим выходным значением и вторым пробным скорректированным расчетным выходным значением.
9. Способ по п. 8, в котором способ дополнительно включает в себя инициацию сервером выполнения производственного процесса с текущей парой значений для первого целевого признака процесса и второго целевого признака процесса, соответственно, для получения текущего выходного значения.
10. Способ по п. 9, в котором способ дополнительно включает в себя определение сервером пары первых пробных значений и пары вторых пробных значений на основе данных истории.
11. Сервер для обучения алгоритма машинного обучения (MLA), сервер реализует MLA, и сервер выполнен с возможностью осуществлять:
• создание обучающей выборки для обучения MLA, причем обучающая выборка включает в себя множество векторов признаков и соответствующие связанные расчетные погрешности, причем для создание обучающей выборки сервер выполнен с возможностью осуществлять:
ο создание множества векторов признаков на основе данных истории, связанных с производственным процессом, причем каждый вектор признаков представляет множество идентифицированных признаков промышленного процесса в данных истории;
ο извлечение множества выходных значений из данных истории, причем каждое выходное значение в множестве выходных значений представляет соответствующий прошлый результат производственного процесса и соответственно связано с каждым вектором признаков в множестве векторов признаков;
ο идентификацию соответствующего значения целевого признака процесса в каждом векторе признаков, причем целевой признак процесса был предварительно определен оператором;
ο определение функции регрессии, которая представляет взаимоотношения между каждым значением целевого признака процесса и соответствующим выходным значением;
ο определение расчетного выходного значения для каждого соответствующего значения целевого признака процесса на основе функции регрессии;
ο определение расчетной погрешности для каждого вектора признаков на основе соответствующего связанного выходного значения и соответствующего связанного расчетного выходного значения;
• обучение MLA на основе обучающей выборки прогнозировать соответствующую расчетную погрешность для каждого вектора признаков, причем для обучения MLA сервер выполнен с возможностью вводить каждый вектор признаков и соответствующую связанную расчетную погрешность в MLA.
12. Сервер по п. 11, в котором сервер дополнительно выполнен с дополнительной возможностью сохранение функции регрессии в хранилище.
13. Сервер по п. 12, в котором сервер дополнительно выполнен с возможностью после обучения осуществлять:
• получение функции регрессии из хранилища;
• получение текущих значений набора признаков процесса и текущего выходного значения, которое представляет желаемый результат промышленного процесса, а набор признаков процесса представляет множество идентифицированных признаков промышленного процесса за исключением целевого признака процесса;
• определение первого пробного расчетного выходного значения для первого пробного значения целевого признака процесса на основе функции регрессии;
• определение первой пробной расчетной погрешности от обученного MLA для текущих значений набора признаков процесса и первого пробного значения целевого признака процесса с помощью ввода сервером текущих значений набора признаков процесса и первого пробного значения целевого признака процесса в обученный MLA;
• определение первого пробного скорректированного расчетного выходного значения на основе первого пробного расчетного выходного значения и первой пробной расчетной погрешности;
• определение второго пробного расчетного выходного значения для второго пробного значения целевого признака процесса на основе функции регрессии;
• определение второй пробной расчетной погрешности от обученного MLA для текущих значений набора признаков процесса и второго пробного значения целевого признака процесса с помощью ввода сервером текущих значений текущего набора признаков процесса и второго пробного значения целевого признака процесса в обученный MLA;
• определение второго пробного скорректированного расчетного выходного значения на основе второго пробного расчетного выходного значения и второй пробной расчетной погрешности; и
• отбор данного из первого пробного значения целевого признака процесса и второго пробного значения целевого признака процесса как текущего значения целевого признака процесса на основе разницы между текущим выходным значением и первым пробным скорректированным расчетным выходным значением и разницы между текущим выходным значением и вторым пробным скорректированным расчетным выходным значением.
14. Сервер по п. 13, в котором сервер выполнен с дополнительной возможностью инициировать выполнение производственного процесса с текущими значениями набора признаков процесса и текущим значением целевого признака процесса для получения текущего выходного значения.
15. Сервер по п. 14, в котором сервер выполнен с дополнительной возможностью определять первое пробное значение и второе пробное значение на основе данных истории.
16. Сервер по п. 11, в котором функция регрессии является одной из следующих:
• линейной регрессией;
• дробно-линейной регрессией;
• логистической регрессией;
• полиномиальной регрессией;
• гребневой регрессией;
• лассо-регрессией.
17. Сервер по п. 11, в котором сервер выполнен с возможностью осуществлять:
ο идентификацию соответствующего значения первого целевого признака процесса и второго целевого признака процесса в каждом векторе признаков, где первый целевой признак процесса и второй целевой признак процесса были предварительно определены оператором;
ο определение планарной функции регрессии, которая представляет взаимоотношения между каждым значением первого целевого признака процесса, соответствующим значением второго целевого признака процесса и соответствующим выходным значением;
ο определение расчетного выходного значения для каждого соответствующего значения первого целевого признака процесса и соответствующего значения второго целевого признака процесса на основе планарной функции регрессии;
ο определение расчетной погрешности для каждого вектора признаков на основе соответствующего связанного выходного значения и соответствующего связанного расчетного выходного значения;
• обучение MLA на основе обучающей выборки прогнозировать соответствующую расчетную погрешность для каждого вектора признаков, причем для обучения MLA сервер выполнен с возможностью вводить каждый вектор признаков и соответствующую связанную расчетную погрешность в MLA.
18. Сервер по п. 17, в котором сервер дополнительно выполнен с возможностью после обучения осуществлять:
• получение планарной функции регрессии из хранилища;
• получение текущих значений набора признаков процесса и текущего выходного значения, которое представляет желаемый результат промышленного процесса, а набор признаков процесса представляет множество идентифицированных признаков промышленного процесса за исключением первого целевого признака процесса и второго целевого признака процесса;
• определение первого пробного расчетного выходного значения для первого пробного значения первого целевого признака процесса и первого значения второго целевого признака процесса на основе планарной функции регрессии;
• определение первой пробной расчетной погрешности от обученного MLA для текущих значений набора признаков процесса и первого пробного значения первого целевого признака процесса и первого пробного значения второго целевого признака процесса с помощью ввода текущих значений набора признаков процесса, первого пробного значения первого целевого признака процесса и первого значения второго целевого признака процесса в обученный MLA;
• определение первого пробного скорректированного расчетного выходного значения на основе первого пробного расчетного выходного значения и первой пробной расчетной погрешности;
• определение второго пробного расчетного выходного значения для второго пробного значения первого целевого признака процесса и второго пробного значения второго целевого признака процесса на основе планарной функции регрессии;
• определение второй пробной расчетной погрешности от обученного MLA для текущих значений набора признаков процесса, второго пробного значения первого целевого признака процесса и второго пробного значения второго целевого признака процесса с помощью ввода текущих значений текущего набора признаков процесса, второго пробного значения первого целевого признака процесса и второго значения второго целевого признака процесса в обученный MLA;
• определение второго пробного скорректированного расчетного выходного значения на основе второго пробного расчетного выходного значения и второй пробной расчетной погрешности; и
• отбор первых пробных значений или вторых пробных значений как текущей пары значений для первого целевого признака процесса и второго целевого признака процесса, соответственно, на основе разницы между текущим выходным значением и первым пробным скорректированным расчетным выходным значением и разницы между текущим выходным значением и вторым пробным скорректированным расчетным выходным значением.
19. Сервер по п. 18, в котором сервер выполнен с дополнительной возможностью инициировать выполнение производственного процесса с текущей парой значений для первого целевого признака процесса и второго целевого признака процесса, соответственно, для получения текущего выходного значения.
20. Сервер по п. 19, в котором сервер выполнен с дополнительной возможностью определять пару первых пробных значений и пару вторых пробных значений на основе данных истории.
21. Способ по п. 1, в котором промышленный процесс является процессом легирования стали.
Наверх