[发明专利]求得被测变量的时间曲线的方法、预测系统、致动器控制系统、训练致动器控制系统的方法、训练系统、计算机程序和机器可读的存储介质

说明书

一种求得可被致动器(20)调节的被测变量(y)的时间曲线的方法，其中对所述致动器(20)施加某个控制变量(u)的时间曲线，其中所述求得是借助所述致动器(20)的特性的高斯过程状态模型来实施，其中根据可参数化的函数族(q(x_1:T,f_2:T,z))来求得所述致动器(20)的被测变量(y)的时间曲线，其中在所述可参数化的函数族(q(x_1:T,f_2:T,z))中，所述致动器(20)的特别是用过渡函数(f_t)求得的下一潜在状态(x_t)与所述致动器(20)的前一潜在状态(x_t‑1)以及与所述致动器(20)的前一控制变量(u_t‑1)的时间关联，等于所述高斯过程状态模型的相应关联。

背景技术

Roger Frigola、Yutian Chan和Carl E.Rasmussen所著《Variational GaussianProcess State-Space Models》(变分高斯过程状态空间模型，arXiv preprint arXiv:1406.4905v2,2014)揭示一种借助稀疏高斯过程(英语：sparse Gaussian processes)来变分贝叶斯学习非线性状态空间模型(英语：state-space model)的方法。

Thomas F.W.Nicholson、Marc Peter Deisenroth和James Hensman所著《Identification of Gaussian Process State Space Models》(高斯过程状态空间模型的识别，arXiv preprint arXiv:1705.10888v2,2017)以及Andreas Svensson和Thomas B.所著《A flexible state space model for leaming nonlinear dynamicalSystems》(学习非线性动力学系统的柔性状态空间模型，arXiv preprint arXiv:1603.05486v2,2017)揭示了学习状态空间模型的其他方法。

本发明的优点

与此相比，具有独立权利要求1的特征的方法的优点在于：一种特别有效且可靠的方法，即使在高维潜在状态空间下也能学习非线性状态空间模型。

有利改进方案参阅独立权利要求。

发明内容

在第一方面中，本发明涉及一种求得可被致动器调节的被测变量y的时间曲线的方法，其中对该致动器施加某个控制变量u的时间曲线。

借助高斯过程状态模型(英语：Gaussian process state space model，简称GP-SSM)来求得，该高斯过程状态模型描述致动器的特性。根据可参数化的函数族q(x_1:T,f_2:T,z)来求得致动器的控制变量。

状态空间模型，也称状态模型，是在过渡模型f和过程噪声(英语：process noise)ε_x下借助潜在变量x来描述系统的特性。根据潜在变量x，借助具有测量噪声εy的观察函数g来求得被测变量y借助下标“t”通常就能描述时间变化，在此情况下，状态空间模型通过以下方式而产生，

用高斯过程就能通过函数来展示分布。从而将关于系统特性的先验假设考虑在内。针对一组观察X＝[x₁,...,x_N]，将对应的函数值f＝[f(x₁),...,f(x_N)]作为共同高斯分布，亦即