-
公开(公告)号：CN116701165A
公开(公告)日：2023-09-05
申请号：CN202310215707.3
申请日：2023-03-01
Applicant: 罗伯特·博世有限公司
Inventor： D·里布 , K·帕特尔 , K·S·M·巴尔西姆 , M·坎德米尔 , S·格尔温
IPC: G06F11/36 , G06F17/18 , G06F30/27 , G06F111/04 , G06F111/08
Abstract: 用于验证或核实技术系统的方法，技术系统基于供应给技术系统的输入信号发出输出信号，方法包括步骤：获得技术系统包括的组件的模型并获得组件的模型之间的连接，连接表征哪个模型将哪个输出作为输入传递给另一模型；获得多个验证测量，其包括测量输入和测量输出，如果测量输入被提供给组件，则从用于测量输入的技术系统的组件获得测量输出；基于模型的测试输入和模型之间的连接获得模型的测试输出；通过经由模型传播模型的差异的上界或下界来确定技术系统的输出的上界或下界，模型的差异表征组件的测量输出的分布和针对组件的模型获得的测试输出的分布之间的差异；基于确定的输出上界或下界来核实和/或验证技术系统是否以预定义概率履行标准。
-
公开(公告)号：CN112446413A
公开(公告)日：2021-03-05
申请号：CN202010884586.8
申请日：2020-08-28
Applicant: 罗伯特·博世有限公司
Abstract: 一种用于获得和/或扩充用于机器学习模块（1）的训练数据集（11*）的方法（100），其包括：提供（110）用关于给定问题的标签（13a）标注的训练输入数据的样本（11a）；从训练输入数据的样本（11a）和相关联的标签（13a）获得（120）难度函数（14），该难度函数（14）提供了关于给定问题评估样本（11a）的难度（14a）的度量；获得（130）训练输入数据的至少一个候选样本（15）和/或其在工作空间（20）中的表示（25）；借助于难度函数（14），计算（140）关于给定问题评估此候选样本（15）和/或其表示（25）的难度（14a）的量度；以及响应于此难度满足预定标准（150），将候选样本（15）包括（160）在训练数据集（11*）中。
-
公开(公告)号：CN119294549A
公开(公告)日：2025-01-10
申请号：CN202410913266.9
申请日：2024-07-09
Applicant: 罗伯特·博世有限公司
IPC: G06N20/00 , G06F18/213 , G06F18/24 , G06Q10/04
Abstract: 提供了用于机器学习的设备、计算机实现的方法和技术系统，其中该方法包括提供第一模型、特别是包括权重的神经网络，其被配置为将第一雷达谱的数据、特别是来自第一雷达谱的感兴趣区域的数据映射到表示数据的第一特征；提供数据和数据的物理属性、特别是距离、方位角、速度或数据所基于的发送和接收的雷达信号的极化指示；提供第一输出，其被配置为将第一特征映射到物理属性的预测、特别是距离的预测、方位角的预测、速度的预测或发送和接收的雷达信号的极化指示的预测；将具有第一模型的数据映射到第一特征；将具有第一输出的第一特征映射到物理属性的预测；以及取决于物理属性的预测与物理属性之间的差异来学习第一模型、特别是学习权重。
-
公开(公告)号：CN115731409A
公开(公告)日：2023-03-03
申请号：CN202211038577.2
申请日：2022-08-29
Applicant: 罗伯特·博世有限公司
IPC: G06V10/764 , G06V10/774 , G06V10/26 , G06V10/82 , G06N3/0464 , G06N3/084
Abstract: 图像分类器的即时校准。本发明涉及一种训练图像分类器的方法（700）。图像分类器确定用于输入图像的类概率的预测向量。首先，执行一个或多个初始训练步骤，产生用于图像分类器的可训练参数的当前值。选择训练图像和对应的类标签，并且确定用于在训练图像上训练图像分类器的当前标签向量。为此，根据当前参数值将图像分类器应用于训练图像。如果由图像分类器预测的类等于类标签，则基于预测向量将当前标签向量确定为软标签。使用当前标签向量来执行在训练图像上训练图像分类器的当前训练步骤。
-
公开(公告)号：CN115270905A
公开(公告)日：2022-11-01
申请号：CN202210410951.0
申请日：2022-04-19
Applicant: 罗伯特·博世有限公司
Inventor： K·帕特尔
Abstract: 在不确定训练数据上对分类器和/或回归器的改进训练。用于训练分类器和/或回归器的方法包括：·提供利用基本真值分类和/或回归评分标记的训练样本集；并对于来自训练样本的至少子集的每个训练样本：·确定量化训练样本的不确定性和/或对该特定样本进行分类的易或难的程度的置信度评分；和·将关于一个类和/或回归值的最大基本真值分类和/或回归评分减少依赖于置信度评分的量，并将该量分发给关于其他类和/或回归值的基本真值分类和/或回归评分，以便获得更新基本真值分类和/或回归评分；·将训练样本映射到分类和/或回归评分；·对分类和/或回归评分与更新基本真值分类和/或回归评分的偏差进行评级；和·优化表征分类器和/或回归器的行为的参数。
-
Patent Agency Ranking
公开(公告)号：CN110945577B
公开(公告)日：2022-08-23
申请号：CN201880048602.0
申请日：2018-06-27
Applicant: 罗伯特·博世有限公司
Abstract: 根据本发明的第一方面，提出一种用于提供自动代客泊车系统(AVP系统)的状态信息的设备。所述设备包括车辆外部的至少一个基础设施部件(52，54)，所述基础设施部件尤其固定地布置在配属于所述自动代客泊车系统(1)的停车空间(20)内。所述基础设施部件设置为用于输出所述自动代客泊车系统的状态信息。因此，能够有效地传达所述自动代客泊车系统的状态信息。
-
公开(公告)号：CN115221938A
公开(公告)日：2022-10-21
申请号：CN202210411280.X
申请日：2022-04-19
Applicant: 罗伯特·博世有限公司
Inventor： K·帕特尔
Abstract: 测量雷达、超声或音频分类器的性能。谱包括已经从雷达、超声或音频信号中导出的至少一个测量量对空间坐标的依赖性，并且分类器被配置为将雷达、超声或音频谱映射到关于给定分类的类的分类评分集合，所述方法包括以下步骤：·提供测试雷达、超声或音频谱集合，其形成共同分布或流形的一部分和/或定义共同分布或流形；·获得至少一个评估谱，其○是至少一个测试谱的修改，其具有与该至少一个测试谱基本上相同的语义内容，和/或○不形成共同分布或流形的一部分；·借助于给定分类器，将所述至少一个评估谱映射到评估分类评分集合；和·基于所述评估分类评分集合和/或在处理评估谱期间由给定分类器产生的另外结果来确定所寻求性能。
-
公开(公告)号：CN110945577A
公开(公告)日：2020-03-31
申请号：CN201880048602.0
申请日：2018-06-27
Applicant: 罗伯特·博世有限公司
Abstract: 根据本发明的第一方面，提出一种用于提供自动代客泊车系统(AVP系统)的状态信息的设备。所述设备包括车辆外部的至少一个基础设施部件(52，54)，所述基础设施部件尤其固定地布置在配属于所述自动代客泊车系统(1)的停车空间(20)内。所述基础设施部件设置为用于输出所述自动代客泊车系统的状态信息。因此，能够有效地传达所述自动代客泊车系统的状态信息。
-
公开(公告)号：CN117687897A
公开(公告)日：2024-03-12
申请号：CN202311176998.6
申请日：2023-09-12
Applicant: 罗伯特·博世有限公司
Inventor： D·里布 , K·帕特尔 , K·S·M·巴尔希姆 , M·希格 , S·戈尔文
IPC: G06F11/36 , G06F17/18 , G06F30/27 , G06F111/04 , G06F111/08
Abstract: 用于验证或核实技术系统的方法。用于核实和/或验证技术系统是否满足期望准则的方法，技术系统基于供应给技术系统的输入信号发出输出信号，该方法包括步骤：·获得技术系统所包括的多个组件的模型，所获得模型之间的连接表征哪个组件将哪个信号传递给哪个其他组件；·获得多个验证测量，验证测量包括测量输入和测量输出，如果测量输入被提供给组件，则测量输出是针对测量输入从技术系统的组件获得的；·针对每个组件，训练机器学习模型以基于相应组件的输入预测相应组件的输出；·基于测试输入从最后一个模型获得第一测试输出；·从对应于最后一个模型的机器学习模型并基于模型的测试输入确定第二测试输出；·确定偏差；·核实和/或验证技术系统是否满足准则。
-
公开(公告)号：CN117687896A
公开(公告)日：2024-03-12
申请号：CN202311175306.6
申请日：2023-09-12
Applicant: 罗伯特·博世有限公司
Inventor： D·里布 , K·帕特尔 , K·S·M·巴尔希姆 , M·希格 , S·戈尔文
IPC: G06F11/36 , G06F17/18 , G06F30/27 , G06F111/04 , G06F111/08
Abstract: 检验和/或验证技术系统是否满足期望标准的方法包括：获得技术系统包括的多个组件的模型；获得包括测量输入和测量输出的多个验证测量；对于每个组件对机器学习模型进行训练以基于输入来预测测量输出；基于测试输入从最后模型获得第一测试输出；从对应于最后模型的机器学习模型基于模型的测试输入确定第二测试输出；确定差异(d)，其表征从最后模型确定的第一测试输出分布与由对应于最后模型的机器学习模型确定的第二测试输出分布的差异；检验和/或验证技术系统是否满足标准，其中特征在于最大化技术系统的最后组件的测量输出分布不满足关于测量输出分布的标准的概率并在规定测量输出分布与第一测试输出分布的差异不可超过差异(d)的约束下。
-
-
-
-
-
-
-
-
-
Search Results
11
records
(took 0.021 seconds)
