技术特征：
1.一种用于产生计算机实现的机器学习系统的计算机实现的方法，其中所述方法包括以下步骤：接收反映设备的动态行为的训练数据组（x
c
，y
c
）；在使用贝叶斯推理的情况下并且在考虑所述训练数据组（x
c
，y
c
）的情况下计算所述机器学习系统的至少一个潜在变量（）的聚合，其中在所述训练数据组中包含的信息直接被转移到多个潜在变量（）的统计描述中；产生后验预测分布（）来在使用所计算的聚合的情况下并且在所述训练数据组（x
c
，y
c
）发生了的条件下预测所述设备的动态行为。2.根据权利要求1所述的计算机实现的方法，此外包括使用所产生的后验预测分布来关于所述设备的动态行为根据输入参量预测相对应的输出参量。3.根据权利要求1或2所述的计算机实现的方法，其中所述训练数据组（x
c
，y
c
）包括第一多个数据点（x
c
）和第二多个数据点（y
c
），其中所述方法包括在使用来自一般给定函数族的给定函数子集（f）的情况下计算所述第二多个数据点（y
c
），其中所述给定函数子集在所述第一多个数据点上被计算；并且其中计算聚合包括以下步骤：通过第一神经网络将来自所述训练数据组（x
c
，y
c
）的第一（x
c
）多个数据点和第二（y
c
）多个数据点的每一对映射到相对应的潜在观测（）上并且通过第二神经网络映射到相对应的潜在观测（）的不确定性（）上；在所述多个潜在观测（）发生了的条件下，聚合所述多个潜在变量（）的贝叶斯后验分布（），其中在使用贝叶斯推理的情况下执行所述聚合，由此在所述训练数据组（x
c
，y
c
）中包含的信息被直接转移到所述多个潜在变量的统计描述中；计算所述多个潜在观测（）和多个其不确定性（）。4.根据权利要求3所述的计算机实现的方法，其中聚合贝叶斯后验分布（）包括实现多个因式分解高斯分布，并且其中所述不确定性（）是相对应高斯分布的方差。5.根据权利要求4所述的计算机实现的方法，其中产生后验预测分布（）包括以下其他步骤：在所述训练数据组（x
c
，y
c
）发生了的条件下，为多个潜在变量（）产生第二近似后验分布（），其中所述第二近似后验分布此外通过参数组（）描述，所述参数组经由对于所述训练数据组（x
c
，y
c
）共同的参数（）被参数化；基于所计算的多个潜在观测（）和所计算的多个其不确定性（）迭代地计算所述参数组。6.根据权利要求5所述的计算机实现的方法，其中迭代地计算所述参数组包括关于所述潜在变量（）实现另一多个因式分解高斯分布，并且其中所述参数组包括所述高斯分布的多个平均值（）和方差（）对应于高斯分布。7.根据权利要求5或6所述的计算机实现的方法，此外包含接收另一训练数据组（x
t
，y
t
），所述另一训练数据组包括第三多个数据点（x
t
）和第四多个数据点（y
t
），其中所述方法包括在使用来自一般给定函数族的给定函数子集（f）的情况下计算所述第四多个数据点
（y
t
），其中所述给定函数子集在所述第三多个数据点上被计算，以及其中产生后验预测分布（）此外包括通过第三和第四神经网络产生第三分布（），其中所述第三分布（）与多个潜在变量（）、参数组（）、与任务无关的变量（θ）和另一训练数据组（x
t
，y
t
）有关。8.根据前述权利要求1至7中任一项所述的计算机实现的方法，其中产生后验预测分布包括关于与任务无关的变量（θ）和共同的参数（）优化似然分布。9.根据权利要求8所述的计算机实现的方法，其中优化似然分布包括关于与任务无关的变量（θ）和共同的参数（）最大化似然分布，其中最大化基于所产生的第二近似后验分布并且基于所产生的第三分布并且基于所产生的第三分布。10.根据权利要求9所述的计算机实现的方法，其中最大化似然分布包括计算在潜在变量（）的函数上的积分，所述函数包含所述第二近似后验分布和第三分布的相应乘积。11.根据权利要求10所述的计算机实现的方法，其中计算积分包括通过非随机损失函数来关于多个潜在变量（）近似积分，所述非随机损失函数基于第二近似后验分布的参数组。12.根据前述权利要求8至11中任一项所述的计算机实现的方法，此外包括在似然分布中使用通过优化导出的与任务无关的变量（θ）和共同的参数（）来产生后验预测分布。13.根据前述权利要求1至12中任一项所述的计算机实现的方法，其中产生所述计算机实现的机器学习系统包括将一个维数（r
n
）的输入向量映射成第二维数（r
m
）的输出向量，其中所述输入向量表示所述设备的至少一个所测量的输入状态参量的时间序列的元素，并且其中所述输出向量表示所述设备的至少一个所估计的输出状态参量，其根据所产生的后验预测分布被预测。14.根据前述权利要求1至13中任一项所述的计算机实现的方法，其中所述设备是机器，可选地是发动机。15.根据前述权利要求1至14中任一项所述的计算机实现的方法，其中所述计算机实现的机器学习系统被设计用于对所述设备的特性曲线族的参数化进行建模。16.根据权利要求15所述的计算机实现的方法，此外包括：在使用所产生的计算机实现的机器学习系统的情况下对所述设备的特性曲线族进行参数化。17.根据权利要求14至16中任一项所述的计算机实施的方法，其中所述训练数据组包括在所述设备处测量的和/或对于所述设备计算的输入参量，可选地其中所述设备的至少一个输入参量包括转速、温度、质量流量或它们的组合，并且其中所述设备的至少一个所估
计的输出状态参量包括扭矩、效率、压力比或它们的组合。18.一种用于为设备产生和/或应用计算机实现的机器学习系统的计算机实现的系统，其中所述计算机实现的机器学习系统利用前述权利要求1至17的方法之一被训练。
技术总结
神经过程的贝叶斯上下文聚合。本公开的一个方面涉及一种用于产生计算机实现的机器学习系统的方法。所述方法包括接收对应于设备的动态行为的训练数据组x
技术研发人员：G
受保护的技术使用者：罗伯特
技术研发日：2021.09.30
技术公布日：2022/4/22