用于运行集成控制组件的方法和装置
阅读：382发布：2024-02-11
专利汇可以提供用于运行集成控制组件的方法和装置专利检索，专利查询，专利分析的服务。并且本 发明 涉及用于运行集成控制组件的方法和装置。本发明涉及一种用于计算多个基于数据的函数模型的方法，所述函数模型通过参数组和网格点数据来定义，其中网格点数据包含至少部分地相同的网格点数据点，其中将针对多个基于数据的函数模型的相同的网格点数据点一次地存储在存储区域中，其中为了计算基于数据的函数模型多次 访问 所述存储区域。，下面是用于运行集成控制组件的方法和装置专利的具体信息内容。
1.用于计算多个基于数据的函数模型的计算机实施的方法，所述函数模型分别通过参数组和网格点数据来定义，其中网格点数据分别存放在存储单元的存储区域中，其中所述网格点数据包含至少部分地相同的网格点数据点，其中将针对多个基于数据的函数模型的相同的网格点数据点一次地存储在所述存储单元的存储区域中，其中为了计算所述多个基于数据的函数模型多次访问所述存储区域。
2.根据权利要求1所述的计算机实施的方法，其中针对所述多个基于数据的函数模型的参数组和网格点数据在检验系统中从共同的测试流程中产生。
3.根据权利要求1或2所述的计算机实施的方法，其中，所述参数组分别具有向量，该向量映射相应的基于数据的函数模型的函数值，其中该向量具有N维，其中N相应于网格点数据的网格点的数量，其中当该向量的分配给所涉及的网格点数据点的元素被设置为0时，网格点数据的网格点数据点在所述多个基于数据的函数模型之一中保持不被考虑。
4.根据权利要求1或2所述的计算机实施的方法，其中通过附加的网格点数据点来修改基于数据的函数模型中的一个基于数据的函数模型，其方式是，给所述网格点数据添加网格点数据点并且参数组的向量的相应元素被设置为0，其中所述一个基于数据的函数模型的向量利用被扩展了网格点数据点的网格点数据重新训练，以便求取所述一个基于数据的函数模型的参数组的向量的相应元素。
5.根据权利要求1或2所述的计算机实施的方法，其中所述多个基于数据的函数模型相应于高斯过程模型、RBF网或支持向量机。
6.集成控制组件（1）中的用于计算多个基于数据的函数模型的模型计算单元（3），所述函数模型通过参数组和网格点数据来定义，包括：
-用于将针对多个基于数据的函数模型的网格点数据存储在共同的存储区域中的内部存储器（5），
其中模型计算单元（3）被构造用于多次访问存储区域以便计算基于数据的函数模型。
7.带有主计算单元（2）和根据权利要求6所述的模型计算单元（3）的集成控制组件。
8.计算机程序，其被设立用于实施根据权利要求1至5之一所述的方法。
9.电子存储介质，根据权利要求8所述的计算机程序存储在所述电子存储介质上。
10.电子控制单元，其具有根据权利要求9所述的电子存储介质。
用于运行集成控制组件的方法和装置
技术领域
[0001] 本发明涉及用于实施尤其是在机动车中的控制功能的控制组件。本发明此外还涉及带有用于计算基于数据的函数模型的基于硬件的模型计算单元的集成控制组件，所述函数模型通过超参数和网格点数据（Stützstellendaten）来定义。
背景技术
[0002] 为了在控制设备、尤其是在内燃机用的发动机控制设备中实现函数模型，设置使用基于数据的函数模型。基于数据的函数模型的变型方案表示非参数的模型并且可以无特定的预先规定地从训练数据（也即训练数据点的集合）中来创建。
[0003] 基于数据的函数模型的例子是所谓的高斯过程模型，其基于高斯过程回归。高斯过程回归是用于基于数据地对复杂物理系统进行建模的多方面方法。回归分析通常基于大的训练数据集合，从而有意义的是，使用逼近的解决方案，该解决方案可以高效地被求取（ausgewertet）。
[0004] 基于数据的函数模型通常通过网格点数据和超参数来定义。它们针对每个基于数据的函数模型被存储在内部存储单元的自己的存储区域中。尤其是，网格点数据具有显著的存储需求，因为基于数据的函数模型通常利用多于100个网格点数据来定义。因为网格点数据分别具有多个输入参量和（必要时经预处理的）输出参量的维数D，因此用于高斯过程模型的所需的存储空间通过网格点数据的矩阵来支配（dominieren）。因为在控制设备中通常必须计算大量函数模型，因此用于计算作为基于数据的函数模型的这些函数模型的存储需求是巨大的。
[0005] 由现有技术已知带有集成控制组件的控制设备，所述控制组件具有主计算单元和用于计算基于数据的函数模型的单独的模型计算单元。从而，出版物DE 10 2010 028 266A1例如示出一种带有附加的逻辑电路作为模型计算单元的控制组件，该逻辑电路被构造用于纯粹基于硬件地计算指数函数以及加法和乘法运算。这使得能够实现，在硬件单元中支持贝叶斯（Bayes）回归方法的计算，该贝叶斯回归方法被需要尤其是用于计算高斯过程模型。
[0006] 模型计算单元总体上被设计用于执行用于基于参数和网格点或训练数据计算基于数据的函数模型的数学过程。尤其是，纯粹地以硬件实现用于高效地计算指数和求和函数的模型计算单元的功能，使得能够实现：与这可以在受软件控制的主计算单元中进行相比以更高的计算速度来计算高斯过程模型。
[0007] 在准备提供模型计算单元的计算并且接着通过模型计算单元的硬件进行函数模型的基于配置数据的计算之前，通常包含配置数据、用于计算基于数据的函数模型的参数（超参数）和网格点数据或至地址区域的地址指针，其中网格点数据存储在该地址区域中。
发明内容
[0010] 按照第一方面设置用于计算多个基于数据的函数模型的方法，所述函数模型通过参数组和网格点数据来定义。网格点数据包含至少部分地相同的网格点数据点，其中将针对多个基于数据的函数模型的相同的网格点数据点一次地存储在存储区域中，其中为了计算基于数据的函数模型多次访问所述存储区域。
[0011] 上述方法的思想在于，将多个基于数据的函数模型所基于的网格点数据在存储单元的存储区域中仅仅设置一次。通过相应地参考，模型计算单元因此可以访问分配给相应的基于数据的函数模型的超参数以及访问分配给多个基于数据的函数模型的（共同的）存储区域，以便计算所涉及的基于数据的函数模型。
[0012] 为了不同于在现有技术中常见的策略地针对每个基于数据的函数模型将网格点数据和超数据单独地存储在相应的存储区域中，在上面建议的方法中针对多个基于数据的函数模型将所存储的数据的一部分、也即尤其是网格点数据仅仅存储一次，由此可以节省明显大量的存储空间。
[0013] 尤其是对于基于相同试验装置、测试系统或检验系统或试验流程而求取的基于数据的函数模型，也即在参数/输入空间中在一系列可预先给定的点处测量系统的多个输出参量，上述方法适用。因此针对不同的测量参量或输出参量的输出值相互不同，而针对所有输出参量的训练数据的测量点的坐标通常是相同的。
[0014] 此外，针对多个基于数据的函数模型的参数组和网格点数据可以从检验系统中的共同的测试流程中产生。
[0015] 按照一种实施方式，参数组可以分别具有向量，该向量映射相应的基于数据的函数模型的函数值，其中该向量具有N维，其中N相应于网格点数据的网格点数据点的数量，其中当该向量的分配给所涉及的网格点数据点的元素被设置为0时，网格点数据的网格点数据点在多个基于数据的函数模型之一中保持不被考虑。
[0016] 可以规定，通过附加的网格点数据点来修改基于数据的函数模型之一，其方式是，给所述网格点数据添加网格点数据点并且（未经修改的函数模型的）参数组的向量的相应元素被设置为0，其中所述一个基于数据的函数模型的向量利用被扩展了网格点数据点的网格点数据重新训练，以便求取所述一个基于数据的函数模型的参数组的向量的相应元素。
[0017] 此外，所述多个基于数据的函数模型可以相应于高斯过程模型、RBF网或支持向量机（Support Vector Machines）。
[0018] 根据另一方面，设置集成控制组件中的用于计算多个基于数据的函数模型的模型计算单元，所述函数模型通过参数组和网格点数据来定义，包括：
[0019] -用于将针对多个基于数据的函数模型的网格点数据存储在共同的存储区域中的内部存储器，
[0020] 其中模型计算单元被构造用于多次访问存储区域以便计算基于数据的函数模型。
[0022] 下面借助附图进一步阐述优选的实施方式。其中：
[0023] 图1示出带有基于硬件的模型计算单元的集成控制组件的示意图；以及[0024] 图2示出用于表明用于运行用于计算多个基于数据的函数模型的集成控制组件的方法的流程图。
具体实施方式
[0025] 图1示出例如微控制器形式的集成控制组件1的硬件架构的示意图，在所述集成控制组件中以集成方式设置主计算单元2和用于纯粹基于硬件地计算基于数据的函数模型的模型计算单元3。主计算单元2和模型计算单元3经由内部通信连接4、例如系统总线相互通信连接。
[0026] 原则上，模型计算单元3基本上是硬接线的并且与此相应地不像主计算单元2一样被构造用于实施软件代码。可替换地，如下解决方案是可能的，其中用于计算基于数据的函数模型的模型计算单元3提供受限制的、高度特定化的指令组。在模型计算单元3中不设置处理器。这使得能够资源优化地实现这样的模型计算单元3或者集成结构方式的面积优化的结构。
[0027] 模型计算单元3具有计算核31，其纯粹以硬件方式实施预先给定的算法的计算。计算核31与中断单元（Abbrucheinheit）32连接，其中当存在中断条件时，该中断单元用信号通知算法计算的中断。模型计算单元3此外可以包括用于存储配置数据的本地SRAM 33。模型计算单元3同样可以包括本地DMA单元34（DMA=Direct Memory Access，直接存储器访问）。借助DMA单元34可以访问控制组件1的集成资源，尤其是访问内部存储器5。
[0028] 控制组件1可以包括内部存储器5和另一DMA单元6（DMA=Direct Memory Access，直接存储器访问）。内部存储器5和所述另一DMA单元6以合适的方式、例如经由内部通信连接4相互连接。内部存储器5可以包括（对于主计算单元2、模型计算单元3和必要时另外的单元）共同的SRAM存储器和用于配置数据（参数和网格点数据）的闪速存储器。
[0029] 非参数的、基于数据的函数模型的使用基于贝叶斯回归方法。贝叶斯回归的基础例如在 等人的“ ”（MIT Press 2006）中被描述。贝叶斯回归是基于数据的方法，该方法基于模型。为了创建该模型，需要训练数据的测量点以及待建模的输出参量的所属的输出数据。该模型的创建借助对网格点数据的使用来实现，这些网格点数据完全或者部分地相应于训练数据或者从所述训练数据中产生。此外，确定抽象的超参数，所述超参数对模型函数的空间进行参数化并且有效地对训练数据的各个测量点对后来的模型预测的影响进行加权。
[0030] 抽象的超参数通过优化方法来确定。用于这种优化方法的可能性在于边缘似然（Marginal Likelihood） 的优化。边缘似然 描述训练数据的所测量的y值的合理性（Plausibilitaet），其被表示为向量Y，给出模型参数H和训练数据的x值。在模型训练中，对 进行最大化，其方式是寻找合适的超参数，所述超参数导致通过超参数和训练数据确定的模型函数的变化曲线并且尽可能准确地映射训练数据。为了简化计算，最大化 的对数，因为对数不改变合理性函数的连续性。
[0031] 高斯过程模型的计算相应于在图2中示意性示出的步骤来进行。针对测试点u（输入参量向量）的输入值 首先被标准化，而且根据下面的公式被标准化：
[0032] 。
[0033] 在此，mx相应于关于网格点数据的输入值的平均值的平均值函数，sy相应于网格点数据的输入值的方差并且d相应于用于测试点u的维数D的索引。
[0034] 作为非参数的基于数据的函数模型的创建的结果，得到：
[0035] 。
[0036] 这样求取的模型值v借助输出标准化来标准化，而且按照如下公式来标准化：
[0037] 。
[0038] 在此，v相应于在标准化的测试点u（维数D的输入参量向量）处的标准化的模型值（输出值），相应于在（非标准化的）测试点 （维数D的输入参量向量）处的（非标准化的）模型值（输出值）， 相应于网格点数据的网格点，N相应于网格点数据的网格点的数量，D相应于输入数据空间/训练数据空间/网格点数据空间的维数，以及Id和 相应于来自模型训练的超参数。向量 是由超参数和训练数据所计算的参量。此外，my相应于关于网格点数据的输出值的平均值的平均值函数并且Sy相应于网格点数据的输出值的方差。替换于上述策略，也可以在非标准化空间中进行基于数据的函数模型的计算，从而取消输入和输出标准化。
[0039] 因为高斯过程模型的计算典型地在标准化的空间中发生，因此执行输入和输出标准化。
[0040] 为了启动计算，计算单元2尤其是可以指示DMA单元34或另外的DMA单元6，将涉及待计算的函数模型的配置数据传输到模型计算单元3中并且启动计算，所述计算借助配置数据来执行。这些配置数据包括高斯过程模型的超参数以及网格点数据，其优选借助至内部存储器5的分派给模型计算单元3的地址区域的地址指针来说明。尤其是，为此也可以使用针对模型计算单元3的SRAM存储器33，该SRAM存储器尤其是可以布置在模型计算单元3中或布置在模型计算单元3处。内部存储器5和SRAM存储器33也可以组合地被使用。
[0041] 在模型计算单元3中的计算在模型计算单元3的通过后面的伪代码实现的硬件架构中进行，其相应于上述计算准则。从伪代码可以看出，在内循环和外循环中进行计算并且其部分结果被累积。在开始模型计算时，用于计数器起始参量Nstart的典型值是0。
[0042] /*阶段1:输入标准化*/
[0043]
[0044] /*阶段2:外循环的计算*/
[0045]
[0046] /*阶段2a: 内循环的计算*/
[0047]
[0048] /*阶段2b:计算指数函数*/
[0049]
[0050] /*阶段2c:*/
[0051]
[0052] /*阶段3:输出标准化*/
[0053]
[0054] 为计算基于数据的函数模型所需的模型数据因此包括超参数和网格点数据，其被存储在存储单元中的分配给所涉及的基于数据的函数模型的存储区域中。根据上述的伪代码，基于数据的函数模型的参数包括标准化参数 、向量Qy、网格点数据点的数量N、输入参量的维数的数量D、外循环的起始值nStart、在重新开始内循环的计算时循环索引（通常=0）以及针对输入参量的每个维数的长度尺度l。
[0055] 可以设置基于数据的函数模型，其分别基于上述参数的自己的参数组和网格点数据的共同的矩阵。在当前情况下，网格点数据的矩阵包括检验状态测量或测试系统的如下测量点：基于所述测量点创建了多个基于数据的函数模型。也即规定：对于多个基于数据的函数模型仅仅提供一次网格点数据的矩阵并且存放在存储单元的为此设置的存储区域中。
[0056] 网格点数据的各个网格点数据点的加权通过超参数Qy来实现，其维数相应于N、也即网格点数据的数量。然而超参数Qy针对每个基于数据的函数模型单独地被设置，因为针对所建模的输出参量的测量值间接地被存储在其中。
[0057] 下面，借助图2的流程图来描述如何针对两个基于数据的函数模型来计算函数值。
[0058] 在步骤S1中在第一参数存储区域中分别提供用于第一基于数据的函数模型的第一参数组P1、用于第二基于数据的函数模型的第二参数组P2、和用于第一和第二基于数据的函数模型的网格点数据的网格点存储区域。
[0059] 在步骤S2中，为了计算第一基于数据的函数模型从第一参数存储区域中调用第一参数组P1以及从网格点存储区域中调用网格点数据，以便计算函数值。
[0060] 类似地，在步骤S3中为了计算第二基于数据的函数模型从第二参数存储区域中调用第二参数组P1以及从网格点存储区域中调用网格点数据，以便计算函数值。
[0061] 针对任意多的基于数据的函数模型，可以重复所述策略，其中这些函数模型至少部分地基于在网格点存储区域中所存储的网格点数据。
[0062] 为了创建用于基于数据的函数模型的网格点数据和参数组，现在在基于具有预先给定的试验计划的测量系列的情景中基于相同的训练数据点测量两个输出参量A和B并且此外针对这些输出参量A、B中的每一个训练高斯过程模型，使得对于两个模型而言网格点数据的矩阵是相同的。
[0063] 如果在关于输出参量之一的模型训练期间网格点数据点被删除，则该点通常从网格点数据的矩阵中被移除。该矩阵因此会具有维数（N-1）xD并且所属的超参数 （k=1，2，……，：参数组的序数）具有维数（N-1）x1。
[0064] 然而因为网格点数据的矩阵也被用于第二基于数据的函数模型，因此仅仅针对第一基于数据的函数模型删除的网格点数据点不能简单地从网格点数据集合中被移除。但是必须确保，位于网格点数据集合中的网格点数据点对第一基于数据的函数模型的计算不具有影响。
[0065] 因为向量 在模型计算单元3中被使用，其方式是将每第i个项与第i个网格点数据点的函数值相乘，因此可以从该计算中排除网格点数据点，其方式是将（在该情况下第二函数模型的）向量 的相应的第i项设置为零。第i训练数据点在该一种情况下不再对总和产生影响并且由此不再对模型预测、也即（第一）基于数据的函数模型的函数值产生影响。因此可能的是，在两个基于数据的函数模型的网格点数据之间存在偏差时将在所属的、也即第k模型的向量 中的项设置为零，以便从基于数据的函数模型的计算中排除分配给该项的网格点。
[0066] 如果确定出，涉及共同的网格点数据集合的基于数据的函数模型中没有一个需要确定的网格点数据点，那么可以从网格点数据的集合中删除所涉及的网格点数据点。接着，也可以从基于数据的函数模型的向量 中删除相应的为0的项并且相应地适配网格点数据点的数量。
[0067] 网格点数据点的删除可以如上面描述地来实现，而也可以给网格点数据的集合添加另外的网格点数据点。为了能够实现对共同网格点数据的矩阵的另外的使用，首先将网格点数据的矩阵扩展第N+1行，其包含新的训练数据点。此外，相应的基于数据的函数模型的向量 被扩展第N+1项，其首先被设置为0。接着，在利用由网格点数据构成的矩阵和所属的目标点的训练阶段期间求取针对第一基于数据的函数模型的向量 。
[0068] 尤其是可以规定，仅仅由基于数据的函数模型的一部分所使用的网格点数据点被附加在由多个函数模型共同使用的网格点数据的矩阵的末尾。在该情况下，基于数据的函数模型的计算可以被设置为，使得在达到确定数量的网格点数据点之后中断所述计算，使得被设置用于描述另外的基于数据的函数模型的另外的可用网格点数据保持不被考虑。可替换地，可以使用向量 的各个附加权重的置零的上面介绍的变型方案，以便稍后例如可以将其他网格点数据点添加到一个基于数据的模型上，而不提高向量 的维数。
[0069] 基于高斯过程的求取公式与RBF网和支持向量机的类似性，对于这种类型的基于数据的模型也可以使用所阐述的方法论。
| 标题 | 发布/更新时间 | 阅读量 |
|---|---|---|
| 写突发期间的功率减小技术 | 2020-05-08 | 788 |
| 制造垂直存储器装置的方法 | 2020-05-11 | 870 |
| 对报文进行处理方法及装置 | 2020-05-08 | 639 |
| 用于机动车辆中的远程在线软件更新的方法 | 2020-05-08 | 911 |
| 一种交换机报文拥塞的处理方法、设备以及存储介质 | 2020-05-08 | 396 |
| NAND存储器的栅极结构形成方法、NAND存储器及光罩掩膜版 | 2020-05-11 | 335 |
| 新无线电中的连接模式移动性 | 2020-05-08 | 811 |
| 处理用户话语的电子装置及其控制方法 | 2020-05-08 | 632 |
| 一种基于金属掺杂的双向阈值选通器及其制备方法 | 2020-05-08 | 630 |
| 电容器、包含电容器的集成组合件和形成集成组合件的方法 | 2020-05-08 | 836 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台，是提供专利分析，专利查询，专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据，免费查、免费专利分析。
分析报告
专利汇分析报告产品可以对行业情报数据进行梳理分析，涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度，系统通过AI智能系统对图表进行解读，只需1分钟，一键生成行业专利分析报告。
QQ群二维码
意见反馈
意见反馈