CN109643394B - 用于计算rbf模型的偏导数的模型计算单元和控制设备 - Google Patents

用于计算rbf模型的偏导数的模型计算单元和控制设备 Download PDF

Info

Publication number
CN109643394B
CN109643394B CN201780054669.0A CN201780054669A CN109643394B CN 109643394 B CN109643394 B CN 109643394B CN 201780054669 A CN201780054669 A CN 201780054669A CN 109643394 B CN109643394 B CN 109643394B
Authority
CN
China
Prior art keywords
input
model
calculation unit
calculation
rbf
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.)
Active
Application number
CN201780054669.0A
Other languages
English (en)
Other versions
CN109643394A (zh
Inventor
H.马克特
A.贡托罗
M.席格
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Robert Bosch GmbH
Original Assignee
Robert Bosch GmbH
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Robert Bosch GmbH filed Critical Robert Bosch GmbH
Publication of CN109643394A publication Critical patent/CN109643394A/zh
Application granted granted Critical
Publication of CN109643394B publication Critical patent/CN109643394B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • 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
    • G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
    • G06N3/063—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using electronic means
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02D—CONTROLLING COMBUSTION ENGINES
    • F02D41/00—Electrical control of supply of combustible mixture or its constituents
    • F02D41/02—Circuit arrangements for generating control signals
    • F02D41/14—Introducing closed-loop corrections
    • F02D41/1401—Introducing closed-loop corrections characterised by the control or regulation method
    • F02D41/1405—Neural network control
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02D—CONTROLLING COMBUSTION ENGINES
    • F02D41/00—Electrical control of supply of combustible mixture or its constituents
    • F02D41/24—Electrical control of supply of combustible mixture or its constituents characterised by the use of digital means
    • F02D41/2406—Electrical control of supply of combustible mixture or its constituents characterised by the use of digital means using essentially read only memories
    • F02D41/2409—Addressing techniques specially adapted therefor
    • F02D41/2416—Interpolation techniques
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
    • G05B13/027—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion using neural networks only
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F7/00—Methods or arrangements for processing data by operating upon the order or content of the data handled
    • G06F7/38—Methods or arrangements for performing computations using exclusively denominational number representation, e.g. using binary, ternary, decimal representation
    • G06F7/48—Methods or arrangements for performing computations using exclusively denominational number representation, e.g. using binary, ternary, decimal representation using non-contact-making devices, e.g. tube, solid state device; using unspecified devices
    • G06F7/544—Methods or arrangements for performing computations using exclusively denominational number representation, e.g. using binary, ternary, decimal representation using non-contact-making devices, e.g. tube, solid state device; using unspecified devices for evaluating functions by calculation
    • G06F7/5443—Sum of products
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • 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
    • G06N3/088—Non-supervised learning, e.g. competitive learning
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02D—CONTROLLING COMBUSTION ENGINES
    • F02D41/00—Electrical control of supply of combustible mixture or its constituents
    • F02D41/02—Circuit arrangements for generating control signals
    • F02D41/14—Introducing closed-loop corrections
    • F02D41/1401—Introducing closed-loop corrections characterised by the control or regulation method
    • F02D2041/1433—Introducing closed-loop corrections characterised by the control or regulation method using a model or simulation of the system

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Automation & Control Theory (AREA)
  • Mechanical Engineering (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Neurology (AREA)
  • Combined Controls Of Internal Combustion Engines (AREA)
  • Feedback Control In General (AREA)
  • Complex Calculations (AREA)

Abstract

本发明涉及用于计算关于RBF模型的预给定的输入参量向量的输入参量其中确定的输入参量而言的梯度的模型计算单元，模型计算单元具有以硬件构造的固定接线的计算核，用于在经耦合的功能块中计算固定地预给定的计算算法，其中所述计算核构造用于，根据输入维度的输入参量向量的一个或多个输入参量、控制位置点的数目、针对每个控制位置点（Vj,k）和每个输入维度（k）所预给定的长度尺度（lj,k）以及RBF函数的针对每个控制位置点所预给定的参数来计算关于RBF模型的确定的输入参量方面的梯度。

Description

用于计算RBF模型的偏导数的模型计算单元和控制设备
技术领域
本发明涉及在单独的硬接线的模型计算单元中对函数模型（Funktionsmodelle）的计算，所述模型计算单元尤其是用于计算RBF模型（RBF: radiale Basisfunktion (径向基核函数)）。
背景技术
技术***、诸如内燃机、电驱动装置、蓄电池等等的控制的功能常常利用模型来实现，所述模型表示真实***的数学映射。然而，在物理模型的情况下、尤其是在复杂的相互关联性情况下缺乏需要的计算精确度，并且在当今的计算能力情况下通常困难的是，在对于控制设备所要求的实时要求之内计算这样的模型。对于这样的情况考虑，使用基于数据的模型，所述模型仅仅基于借助于试验台等所获得的训练数据来描述输出参量和输入参量之间的相互关联性。基于数据的模型尤其是适合用于建模如下的复杂的相互关联性，在所述相互关联性的情况下多个如下输入参量以适合的方式在模型中被考虑，其中在所述输入参量之间存在相互关系。此外借助于基于数据的模型进行的建模提供如下可能性：通过添加各个输入参量来补充所述模型。
基于数据的函数模型通常基于大量的控制位置（Stützstelle），以便实现对于相应应用足够的建模精确度。基于大数目的控制位置，为了利用基于数据的函数模型、例如高斯过程模型来计算模型值，而需要高计算能力。为了能够在控制设备应用中实时地计算这样的基于数据的函数模型，因此能够设置基于硬件构型的模型计算单元。
发明内容
根据本发明，设置根据权利要求1所述的用于计算RBF模型的模型计算单元以及根据并列权利要求之一所述的控制设备和控制设备的应用。
其他的构型在从属权利要求中说明。
上述的模型计算单元规定一种构型，所述构型实现：计算RBF模型。
根据第一方面，设置一种模型计算单元，所述模型计算单元用于计算关于RBF模型的输入参量向量的输入参量其中至少之一而言的梯度，所述模型计算单元具有以硬件构造的固定接线的计算核，所述计算核用于在经耦合的功能块（Funktionsblöcken）中计算固定地预给定的计算算法，其中所述计算核构造用于，根据输入维度的输入参量向量的一个或多个输入参量、控制位置点的数目、对于每个控制位置点和每个输入维度所预给定的长度尺度（Längenskalen）以及RBF函数的对于每个控制位置点所预给定的参数来计算关于RBF模型的输入参量方面的梯度，其中计算：
-第一项，所述第一项针对确定的输入参量来说明在控制位置点的与所述确定的输入参量相应的值与所述确定的输入参量之间的差；
-第二项，所述第二项针对控制位置点来说明指数函数的与RBF函数的被分配给所述控制位置点的参数相乘的结果，其中，所述指数函数的自变量相应于由分别所分配的长度尺度与如下平方差的通过所有输入维度所求取的乘积的负的总和，其中所述平方差是在控制位置点的与相应的所述输入维度相应的值与相应于所述输入维度的输入参量之间的平方差，其中通过所有控制位置点来形成所述第一项的、第二项的和分别所分配的长度尺度的乘积的总和，以便获得与梯度成比例的值。
上述模型计算单元的构思在于，在控制设备中的计算核中在硬件结构中单独地构造所述模型计算单元，以用于计算RBF模型。以这种方式，可以提供基本上固定接线的硬件电路，用于实现如下功能，所述功能实现：计算RBF模型并且在此仅引起控制设备的以软件控制的微处理器中的非常小的计算负荷。通过由模型计算单元所提供的硬件加速，RBF模型也能够实时地被计算，从而使这样的模型的应用对于机动车中的内燃机的控制设备的应用而言变得有吸引力。
此外，RBF模型的应用可以实现：利用比在可比的基于数据的模型、诸如高斯过程模型情况下更小数目的控制位置点进行基于数据的建模，而并不减小精确度。
在控制设备中的一些应用需要计算偏导数，也即RBF模型的模型值的关于输入参量而言的梯度。当下一查询点（Abfragepunkt）与前一查询点的梯度的结果相关时，那么这可能尤其是该情况。梯度的计算通常是非常耗时的。
上述模型计算单元设置以硬件构造的计算路径，所述计算路径除了RBF模型的模型值的计算以外也确定在所述查询点处的梯度。这是可能的，其方式为，第二项此外能够被用于计算梯度，其中所述第二项本来就被需要用来计算RBF模型在预给定的输入参量向量处的函数值，其中所述输入参量向量相应于查询点。
此外，所述计算核可以包括：状态机；存储器，所述存储器用于存储输入参量向量的所述一个或多个输入参量、控制位置点、长度尺度、对于每个控制位置点所预给定的参数和输出参量；一个或多个计算运算块，尤其是MAC块和指数函数计算块。
根据一种实施方式，计算核可以被构造在集成模块的面区域（Flächenbereich）内。
此外，可以通过预给定选择变量来激活或去激活对梯度的计算。
根据另一方面，设置一种控制设备，其具有微处理器和上述模型计算单元。尤其是可以将控制设备构造为集成电路。
根据另一方面，设置上述控制设备的应用，其中所述控制设备作为用于控制机动车中的发动机***的控制设备。
附图说明
接下来根据所附的附图来进一步阐述实施方式。其中，
图1示出使用用于在机动车中的发动机***的控制设备的示意图；
图2示出作为控制设备的部分的计算单元的示意图；和
图3 示出RBF模型的神经元配置的示意图。
具体实施方式
图1示例性地示出用于作为待控制的技术***的、具有内燃机3的发动机***1的控制设备2的示意图。该控制设备2包括：微处理器21和模型计算单元22，其中所述微处理器和所述模型计算单元能够被构造为单独的构件或以集成的方式被构造在芯片上的单独的面区域内。模型计算单元22尤其是如下硬件电路，所述硬件电路能够在结构上从微处理器21的计算核分离。
模型计算单元22基本上是硬接线的并且与此相应地并不如微处理器21那样地被构造用于，执行软件代码并且由此执行可变的通过软件所预给定的函数。换言之，在模型计算单元22中并不设置处理器，从而使其并不能够通过软件代码来运行。通过聚焦到预给定的模型函数，使得能够资源优化地实现这样的模型计算单元22。以集成的构造方式，可以以面积优化（flächenoptimiert）的方式来实现模型计算单元22，其中所述模型计算单元此外实现快速计算。
控制设备2基本上用于，对由内燃机3中的传感装置所检测的传感器信号S或传感器参量和/或外部的设定值（Vorgabe）V进行处理并且循环地以例如为1-100ms的固定地预给定的时间间隔或以根据运行的内燃机的曲轴角来角同步的方式来将一个或多个相应的操控参量A的值施加到内燃机3，从而使所述内燃机能够以本身已知的方式来运行。
在图2中更详细地示出模型计算单元22。所述模型计算单元22包括状态机11、存储器12和一个或多个运算块，例如所述一个或多个MAC块13（MAC：用于定点或浮点计算的乘法累加）和用于计算指数函数的指数函数计算块（EXP）14。状态机11和所述一个或多个运算块13、14构成模型计算单元22的计算核ALU。运算块可以相对于MAC块而言附加地或可替代地包括乘法块和加法块。
借助于状态机11，在存储器12的输入参量存储区中所保存的输入参量的值可以通过重复的循环计算来被计算，以便获得中间参量或输出参量，所述中间参量或输出参量被写到存储器12的相应的输出参量存储区中。
状态机11如此设计，以便计算RBF模型。状态机11可以根据接下来的伪代码来描述：
其中：
p7: 用于输入参量向量的输入参量的最大索引值，说明输入参量向量的维度；
p8：最小索引值（一般为零，除了在计算中断和继续时例外）
p6：最大索引值（控制点数目）
p3：RBF模型的参数
u；输入参量
ut：经变换的输入参量
L：局部的长度尺度
V：训练点或控制位置点
p1、p2：用于输入参量向量的输入参量其中的每个输入参量的输入变换的变量
p4、p5：用于具有维度1（单例（singleton））的输出变换的变量
借助于上述伪代码能够执行用于RBF模型的以下计算：
RBF函数如图3中用图形示出的那样基本上相应于具有三个层的、也即输入层S1、中间层S2和输出层S3的神经网络的特定形式，其中所述输入层具有p7个神经元，其用于具有p7个输入参量的输入参量向量，中间层具有数目p6个神经元15，其具有径向二次函数作为激活函数，所述输出层具有一个神经元15和线性激活函数。
能够借助于对于输入参量向量的每个元素所预给定的标准化变量p1和p2或者对于输出参量所预给定的标准化变量p4和p5来进行输入参量向量的输入参量的或输出参量向量的输出参量的输入变换和/或输出变换。
RBF模型的计算实现模型计算单元22 的细的（schlank）构型，从而使得其面积需求以集成的结构方式而是小的。
为了确定查询点处的梯度，可以相应于以下伪代码地修改模型计算单元。
其中：
p9：梯度值的数目，包括RBF模型的基本结果（Basisergebnis）,其中z[0]相应于基本模型（Basis-Modell）的模型值，并且z[1…p9-1]相应于关于所选的输入参量而言的梯度值；
p10：用于梯度值的输入参量的初始索引。
上述伪代码可以被改写（umschreiben）成以下计算，其中所述计算确定输出参量和梯度:
这基于上述计算公式（包括输入和输出变换）
用于根据计算梯度
其中平方长度尺度的倒数的一半相应于。
在此情况下p4和p5不是单例，而是：
对于 k=1..p9-1， p5[k] = 0 ;
对于 k=1..p9-1， p4[k] = 2.0 * p1[k] * p4[0] 并且直接用作用于梯度计算（参照上述公式）的因数。
索引d相应于输入参量向量的如下输入参量，其中关于所述输入参量来确定梯度。
上述伪代码因此执行以下计算步骤，所述计算步骤不仅实现RBF模型的计算而且也实现根据具有索引d的输入参量进行的梯度的计算：
梯度计算通过变量cfg_pd来被激活并且关于通过p10所限定的输入参量的初始索引来被开始。

Claims (10)

1.一种模型计算单元(22)，所述模型计算单元用于计算关于RBF模型的所预给定的输入参量向量的输入参量其中确定的输入参量而言的梯度，所述模型计算单元具有以硬件构造的固定接线的计算核，所述计算核用于在经耦合的功能块中计算固定地预给定的计算算法，其中所述计算核构造用于，根据输入维度的所述输入参量向量的一个或多个输入参量、控制位置点的数目、对于每个控制位置点Vj,k和每个输入维度k所预给定的长度尺度lj,k以及RBF函数的对于每个控制位置点所预给定的参数来计算关于RBF模型的所述确定的输入参量方面的梯度，其中计算：
-第一项δj，k，所述第一项针对所述确定的输入参量来说明在控制位置点的与所述确定的输入参量相应的值与所述确定的输入参量之间的差；
-第二项yj，所述第二项针对控制位置点Vj,k来说明指数函数的与所述RBF函数的被分配给所述控制位置点Vj,k的参数p3,j相乘的结果，其中，所述指数函数的自变量相应于由分别所分配的所述长度尺度lj,k与如下平方差的通过所有输入维度所求取的乘积的负的总和，其中所述平方差是在控制位置点Vj,k的与相应的所述输入维度相应的值与相应于所述输入维度的所述输入参量之间的平方差，
其中通过所有控制位置点Vj,k来形成所述第一项δj，k的、所述第二项yj的和分别所分配的所述长度尺度lj,k的乘积的总和，以便获得与所述梯度成比例的值。
2.根据权利要求1所述的模型计算单元(22)，其中所述计算核被构造用于，通过将具有因数2的所述与梯度成比例的值、预给定的输入变换变量p1,d的值和预给定的输出变换变量p4相乘来计算所述梯度，其中所述预给定的输入变换变量的所述值被分配给所述确定的输入参量uk。
3.根据权利要求1所述的模型计算单元(22)，其中所述计算核构造用于，相对于所述梯度而言附加地也计算在包含所述确定的输入参量的输入参量向量u处的所述RBF模型的输出参量。
4.根据权利要求1至3中任意一项所述的模型计算单元(22)，其中所述计算核包括状态机(11)和一个或多个计算运算块。
5.根据权利要求1至3中任意一项所述的模型计算单元(22)，其中所述梯度的所述计算通过预给定选择参量cfg_pd来被激活或去激活。
6.根据权利要求4所述的模型计算单元(22)，其中所述计算运算块包括MAC块和指数函数计算块。
7.根据权利要求4所述的模型计算单元(22)，其中，所述模型计算单元(22)包括存储器(12)，其中所述存储器于存储所述输入参量向量u的所述一个或多个输入参量、所述控制位置点、所述长度尺度lj,k、对于每个控制位置点所预给定的所述参数和输出参量。
8.一种控制设备(2)，所述控制设备具有微处理器(21)和一个或多个根据权利要求1至7中任意一项所述的模型计算单元(22)。
9.根据权利要求8所述的控制设备(2)，其中所述控制设备(2)被构造为集成电路。
10.一种根据权利要求8或9所述的控制设备(2)的用途，其中所述控制设备作为用于控制机动车中的发动机***(1)的控制设备(2)。
CN201780054669.0A 2016-09-07 2017-09-04 用于计算rbf模型的偏导数的模型计算单元和控制设备 Active CN109643394B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
DE102016216954.8A DE102016216954A1 (de) 2016-09-07 2016-09-07 Modellberechnungseinheit und Steuergerät zur Berechnung einer partiellen Ableitung eines RBF-Modells
DE102016216954.8 2016-09-07
PCT/EP2017/072061 WO2018046427A1 (de) 2016-09-07 2017-09-04 Modellberechnungseinheit und steuergerät zur berechnung einer partiellen ableitung eines rbf-modells

Publications (2)

Publication Number Publication Date
CN109643394A CN109643394A (zh) 2019-04-16
CN109643394B true CN109643394B (zh) 2023-07-25

Family

ID=59772619

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201780054669.0A Active CN109643394B (zh) 2016-09-07 2017-09-04 用于计算rbf模型的偏导数的模型计算单元和控制设备

Country Status (5)

Country Link
US (1) US11360443B2 (zh)
JP (1) JP6742525B2 (zh)
CN (1) CN109643394B (zh)
DE (1) DE102016216954A1 (zh)
WO (1) WO2018046427A1 (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113537465A (zh) * 2021-07-07 2021-10-22 深圳市易成自动驾驶技术有限公司 Lstm模型优化方法、加速器、装置及介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101090892B1 (ko) * 2010-09-01 2011-12-13 사단법인 분자설계연구소 약물의 2차 대사반응의 효소 선택성 예측에 관한 정보제공방법
CN104636800A (zh) * 2013-11-06 2015-05-20 上海思控电气设备有限公司 基于最小二乘加权的冷冻站***神经网络优化单元及其方法
CN104699658A (zh) * 2013-12-03 2015-06-10 罗伯特·博世有限公司 用于求得基于数据的函数模型的梯度的方法和装置
CN105678405A (zh) * 2015-12-31 2016-06-15 西北农林科技大学 一种融合气孔导度的黄瓜ga-rbf光合速率预测模型建模方法

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP0777881B1 (de) 1994-08-24 1998-05-27 Siemens Aktiengesellschaft Verfahren zur festlegung des gültigkeitsbereichs für ein künstliches neuronales netzwerk
DE10049486A1 (de) * 2000-10-06 2002-04-25 Lothar Hummel Erweitertes RBF-Netz
US7254564B2 (en) * 2001-10-22 2007-08-07 Coppola Jr Emery J Neural network based predication and optimization for groundwater/surface water system
AU2003302791A1 (en) * 2002-12-11 2004-06-30 Koninklijke Philips Electronics N.V. Computer vision system and method employing illumination invariant neural networks
DE102004030782A1 (de) * 2004-06-25 2006-01-19 Fev Motorentechnik Gmbh Fahrzeug-Steuergerät mit einem neuronalen Netz
US7395251B2 (en) * 2005-07-01 2008-07-01 International Business Machines Corporation Neural networks for prediction and control
US20110077484A1 (en) * 2009-09-30 2011-03-31 Nellcor Puritan Bennett Ireland Systems And Methods For Identifying Non-Corrupted Signal Segments For Use In Determining Physiological Parameters

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101090892B1 (ko) * 2010-09-01 2011-12-13 사단법인 분자설계연구소 약물의 2차 대사반응의 효소 선택성 예측에 관한 정보제공방법
CN104636800A (zh) * 2013-11-06 2015-05-20 上海思控电气设备有限公司 基于最小二乘加权的冷冻站***神经网络优化单元及其方法
CN104699658A (zh) * 2013-12-03 2015-06-10 罗伯特·博世有限公司 用于求得基于数据的函数模型的梯度的方法和装置
CN105678405A (zh) * 2015-12-31 2016-06-15 西北农林科技大学 一种融合气孔导度的黄瓜ga-rbf光合速率预测模型建模方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
《Digital hardware implementation of a radial basis function neural network》;Nguyen Phan Thanh et al.;《Computers and Electrical Engineering》;20151211;第106-121页 *
Proposal for Parallel Fixed Point Implementation of a Radial Basis Function Network in an FPGA;Alisson C. D. de Souza et al.;《2014 IX Southern Conference on Programmable Logic (SPL)》;20150108;第1-6页 *
基于神经网络***参数辨识的自适应控制方法研究;吴平景;《中国优秀硕士学位论文全文数据库信息科技辑》;20151015;第1-44页 *

Also Published As

Publication number Publication date
DE102016216954A1 (de) 2018-03-08
CN109643394A (zh) 2019-04-16
WO2018046427A1 (de) 2018-03-15
JP2019530115A (ja) 2019-10-17
US20210286327A1 (en) 2021-09-16
JP6742525B2 (ja) 2020-08-19
US11360443B2 (en) 2022-06-14

Similar Documents

Publication Publication Date Title
US11216721B2 (en) Method for calculating a neuron layer of a multi-layer perceptron model with simplified activation function
EP3729207B1 (en) Predictive controller, vehicle and method for controlling system
JP5523624B2 (ja) 制御装置及び制御のための出力変数を計算する方法
US10409233B2 (en) Method with quasi-Newton Jacobian updates for nonlinear predictive control
US8924331B2 (en) System and method for solving quadratic programming problems with bound constraints utilizing a semi-explicit quadratic programming solver
JP2019145111A (ja) データに基づく関数モデルを計算するためのモデル計算ユニット、制御装置、及び方法
CN109643394B (zh) 用于计算rbf模型的偏导数的模型计算单元和控制设备
CN109643393B (zh) 用于计算具有前馈和反馈的多层感知模型的模型计算单元和控制器
CN109661673B (zh) 用于计算rbf模型的模型计算单元和控制设备
US11537090B2 (en) Model calculating unit and control unit for selectively calculating an RBF model, a gaussian process model and an MLP model
Messay et al. GPGPU acceleration of a novel calibration method for industrial robots
US11645499B2 (en) Model calculating unit and control unit for calculating a neural layer of a multilayer perceptron model
Wei et al. An implementation methodology for Neural Network on a Low-end FPGA Board
Mie et al. Real-time uav attitude heading reference system using extended kalman filter for programmable soc
KR102257530B1 (ko) 데이터 기반 함수 모델의 그래디언트를 결정하기 위한 방법 및 장치
Endelt Least square optimization techniques applied on sheet metal forming
Das et al. Design and implement of a state feedback position output controller for a Maxon S-Dc Motor with dSPACE
CN107797481B (zh) 用于计算神经元层的模型计算单元和控制设备
JP6737960B2 (ja) モデル計算ユニット、及び、多層パーセプトロンモデルを計算するための制御装置
Dai et al. Real-time attitude estimation of sigma-point Kalman filter via matrix operation accelerator
Gallagher A SINDy Hardware Accelerator For Efficient System Identification On Edge Devices
AYVACI et al. Identification Dynamic Parameters with a Novel Software Design for the M-DOF Collaborative Robot

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant