买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：罗伯特·博世有限公司

摘要：用于操控执行器和确定异常的方法、设备和计算机程序。本发明涉及用于根据深度神经元网络的输出参量来操控执行器的方法（40a）。深度神经元网络包括多个层和至少一个分类层。该方法包括如下步骤：根据深度神经元网络的输入参量来确定深度神经元网络的输出参量。为了确定深度神经元网络的输出参量，分别确定每个层的中间输出参量，其中该分类层在确定其中间输出参量时将该分类层的就在此之前的层的中间输出参量的片段根据可预先给定的顺序重新分类。根据深度神经元网络的所确定的输出参量来操控执行器。本发明还涉及用于确定异常的方法（40b）、用于实施该方法（40a、40b）的计算机程序和设备以及机器可读存储元件，在其上存储有该计算机程序。

主权项：1.一种用于根据深度神经网络11的输出参量13来操控执行器10的方法40a，其中所述深度神经网络11包括多个层23、24、26和至少一个排序层25，所述方法包括如下步骤：-根据所述深度神经网络11的输入参量12来确定41a所述深度神经网络11的输出参量，其中为了确定所述深度神经网络11输出参量13，分别确定每个层的中间输出参量，其中所述排序层25在确定所述排序层的中间输出参量时使所述排序层25的就在其之前的层24的中间输出参量的片段31、32根据可预先给定的顺序重新排序；而且-根据所述深度神经网络11的所确定的输出参量13来操控44a所述执行器10，其中所述排序层25分别对所述片段31、32的录入项进行重新排序，其中所述录入项分别位于每个片段31、32的相同的位置。

全文数据：用于操控执行器和确定异常的方法、设备和计算机程序技术领域本发明涉及用于根据深度神经元网络的输出参量来操控执行器和确定异常的方法。本发明同样涉及一种被设立为实施这些方法的计算机程序和设备。背景技术从未公开的DE102017218773.5中公知一种用于操控执行器的方法。借助于机器学习系统可以探测对象。机器学习系统的输入参量可包括多个并行的信息通道、尤其是颜色通道。根据所述多个并行的信息通道，可以确定置换不变量，而且接着根据该置换不变量可以进行探测。发明内容本发明的优点与此相应地，具有独立权利要求1和独立权利要求6的特征的方法具有如下优点：可以借助于深度神经元网络中的分类层来减少错误分类。该深度神经元网络依据对象的形状并且示例性地也依据对象的表面特性来对这些对象进行分类。如果例如被学习到的对象A的表面特性在另一不同的对象B上被识别出，则这可能导致对象B的错误分类，因为该深度神经元网络将该表面特性与对象A相关联。分类层可以将特征的各个片段、例如表面特性的片段重新分类，由此该深度神经元网络不再可能被这些特征误导。这些方法的另一优点是：另一方面，提供恰当的训练数据的困难被克服。理想地，所述恰当的训练数据包含例如具有所有可能的不同的表面特性的类型的对象，使得通过该深度神经元网络利用这些训练数据进行认真的学习可以防止依据对象的表面特性的错误分类。因为通过在该深度神经元网络中使用分类层，即使在该深度神经元网络利用不恰当的训练数据来进行学习的情况下，也可以实现该深度神经元网络相对于不那么重要的特性、例如对象的表面特性的鲁棒性。在第一方面，本发明涉及一种用于根据深度神经元网络的输出参量来操控执行器的方法。该深度神经元网络包括多个层和至少一个分类层。该方法包括如下步骤：-根据该深度神经元网络的输入参量来确定该深度神经元网络的输出参量。为了确定该深度神经元网络的输出参量，分别尤其是逐步地确定每个层的中间输出参量，其中该分类层在确定该分类层的中间输出参量时将该分类层的就在此之前的层的中间输出参量的片段根据可预先给定的、尤其是降序或者升序的顺序重新分类。-根据该深度神经元网络的所确定的输出参量来操控执行器。优点在于：借助于分类层可以不考虑从输入参量中提取的对于其分类或探测或回归不那么重要的特性、诸如对象的颜色或表面特性。“逐步地确定”可以被理解为：逐步地在每个层中根据就在此之前的层的中间输出参量确定中间输出参量。在此，最后一层的中间输出参量可以是该深度神经元网络的输出参量。该就在此之前的层可以是其中间输出参量可以直接在随后的层中被使用的层，而且该随后的层可以根据该就在此之前的层的中间输出参量来确定该随后的层的中间输出参量。神经元网络可以附加地具有环式连接和或跨接式连接（英文“skipconnection”）。接着，该就在此之前的层的中间输出参量还可以包含另一层的中间输出参量，所述另一层借助于环式连接和或借助于跨接式连接来与该随后的层连接。特别有利的是：分类层的就在此之前的层的中间输出参量包括多个激活地图而且片段分别位于每个激活地图的相同的位置。激活地图可以被理解为矩阵，该矩阵的录入项分别对应于激活。在确定相应的中间输出参量时，这些激活可以被深度神经元网络、尤其是各个层相对应地予以考虑。在这种情况下有利的是：可以执行有针对性地干预该深度神经元网络的某一层的所确定的中间输出参量，由此可以实现通过分类层对中间输出参量的控制。尤其是，借助于该分类层可以使所确定的特征或所确定的特性、如示例性地对象的颜色、形状、图案或者组织结构和或表面特性适当地进行重新分类，所述所确定的特征或所确定的特性可通过激活地图来表征。因而，实现了相对于例如可能造成错误分类的不那么重要的特性或特征的鲁棒性。特别有利的是：该分类层分别对片段的录入项进行重新分类，尤其是根据这些录入项的值降序地或升序地对片段的录入项进行重新分类，其中这些录入项分别位于每个片段的相同的位置。录入项可以被理解为激活地图的激活。如果激活地图是二维的，则录入项也可以被理解为激活地图之一的像素。该实施方式具有如下优点：可以有针对性地、尤其是逐像素地对激活地图的各个录入项进行重新分类。由此，可以有针对性地对中间输出参量进行干预并且该深度神经元网络可以相对于错误分类不那么易受影响。例如，该深度神经元网络可能基于对象A的表面特性或颜色将该对象A错误地分类或者探测为对象B，因为该深度神经元网络在训练阶段期间已经学习到将该表面特性或该颜色与对象B相关联。由于该分类层，该特性在该深度神经元网络中被重新分类为对于分类或探测不那么重要的特性，使得可以避免将对象A错误分类或探测为对象B。有利的是：该深度神经元网络的第一部分、尤其是可预先给定的第一部分包含该深度神经元网络的布置在该分类层前面的那些层，而该深度神经元网络的其它部分、尤其是可预先给定的其它部分包含该深度神经元网络的布置在该分类层后面的那些层。还有利的是：在确定输出参量之前使该深度神经元网络学习。首先，使该深度神经元网络在没有活跃的分类层的情况下学习，直至满足第一标准。紧接着，将分类层激活并且使该深度神经元网络的第一部分学习，直至满足第二标准。在已经使该深度神经元网络的第一部分学习之后，使该深度神经元网络的其它部分学习，直至满足第三标准。该深度神经元网络进行学习的这种特殊的方式已经被证明为特别有利，该深度神经元网络尤其在学习期间被分成多个部分。因为通过进行学习的这种方法可以使该深度神经元网络有针对性地进行学习，使得不那么重要的特征可能不那么强烈地、例如在对象分类或回归时不那么强烈地导致错误结果。另一优点是：通过在进行学习时使用重新分类，可以避免该深度神经元网络对现有的训练数据的过度适配。该分类层和与之相关联的对特征的重新分类可以实现对中间参量的片段的不变量置换，该不变量置换可以防止该深度神经元网络对训练数据的过度适配。还有利的是：已经学习过的深度神经元网络依据分类层来扩展，由此通过重复使用已经学习过的深度神经元网络可以减少训练花费。应注意：可以使具有后来添加的分类层的该深度神经元网络再一次进行学习。该深度神经元网络可以进行学习，使得该深度神经元网络根据该深度神经元网络的输入参量来执行分类或回归或对象探测。也可设想的是，例如该深度神经元网络可同时执行分类和探测。也应注意：优选地借助于优化方法、诸如梯度下降方法来执行该深度神经元网络的学习，尤其是与该深度神经元网络的架构无关地执行该深度神经元网络的学习。借助于该优化方法可以使该深度神经元网络的参数化适配。在该深度神经元网络的第一部分进行学习时，可以分别使该深度神经元网络的没有被分配给该第一部分的那些层的参数化不变，而在该深度神经元网络的其它部分进行学习时，可以分别使该深度神经元网络的没有被分配给该其它部分的那些层的参数化不变。活跃的分类层可以被理解为：分类层在确定该分类层的中间输出参量时实施分类。因此，不活跃的分类层可以被理解为：分类层不执行分类，例如通过直接转发该分类层的就在此之前的层的中间输出参量来不执行分类。同样有利的是：该深度神经元网络的第一部分和其它部分的学习交替地多次重复，直至满足另一标准。有利的是，执行器是至少部分自动化的机器、尤其是机器人或车辆。在另一方面，本发明涉及一种用于借助于深度神经元网络确定异常、尤其是诊断患者的疾病的方法。该深度神经元网络包括多个层和至少一个分类层。该方法包括如下步骤：-提供所检测到的输入参量、尤其是在患者处所检测到的输入参量；-借助于该深度神经元网络，根据所提供的输入参量来确定所提供的输入参量是否包含异常，尤其是对疾病进行诊断或预测。为了确定所提供的输入参量是否包含异常，尤其是逐步地确定每个层的中间输出参量，其中该分类层在确定该分类层的中间输出参量时将该分类层的就在此之前的层的中间输出参量的片段根据可预先给定的、尤其是降序或者升序的顺序重新分类。还有利的是，该深度神经元网络的输出参量表征异常、尤其是有疾病或者没有疾病。该实施方式的优点是：该方法相对于尤其可能在医学图像中出现的不重要的特征特别鲁棒。例如，在医学成像照片中，借助于分类层可以相对应地考虑某些器官的表面特性，所述器官对于探测异常、尤其是诊断疾病来说不那么有贡献。应注意：为此可以使具有该分类层的深度神经元网络进行学习，使得该深度神经元网络可以执行异常探测、尤其是诊断疾病。优选地，借助于梯度下降方法来使该深度神经元网络学习。特别有利的是：分类层的就在此之前的层的中间输出参量包括多个激活地图而且片段分别位于每个激活地图的相同的位置。同样特别有利的是：该分类层分别对片段的录入项进行重新分类，尤其是根据这些录入项的值降序地或升序地对片段的录入项进行重新分类，其中这些录入项分别位于每个片段的相同的位置。在本发明的第二方面的一个特别有利的设计方案中，该深度神经元网络的第一部分、尤其是可预先给定的第一部分包含该深度神经元网络的布置在分类层前面的那些层。该深度神经元网络的其它部分、尤其是可预先给定的其它部分包含该深度神经元网络的布置在分类层后面的那些层。还可以在确定输出参量之前使该深度神经元网络学习。可以使该深度神经元网络在没有活跃的分类层的情况下学习，直至满足第一标准。紧接着，可以将分类层激活并且可以使该深度神经元网络的第一部分学习，直至满足第二标准。在已经使该深度神经元网络的第一部分学习之后，可以使该深度神经元网络的其它部分学习，直至满足第三标准。附加地，该深度神经元网络的第一部分和其它部分的学习可以交替地多次重复，直至满足另一标准。在另一方面，本发明涉及一种计算机程序，该计算机程序被设立为实施之前提到的方法之一，即该计算机程序包括如下指令，当该计算机程序在计算机上运行时，所述指令促使计算机以这些提到的方法之一的所有步骤来实施这些提到的方法之一。本发明还涉及一种在其上存储有该计算机程序的机器可读存储模块和一种设备、尤其是计算机，该设备被设立为实施所提到的方法之一。附图说明本发明的实施例在随附的附图中示出并且在随后的描述中进一步予以阐述。在此：图1示出了执行器的示意图，该执行器包括深度神经元网络；图2示出了深度神经元网络的示意图，该深度神经元网络包括多个层和一个分类层；图3示出了对多个激活地图的片段进行重新分类的示意图；图4示出了按照本发明的用于操控机器人和用于确定异常的方法的第二实施方式的示意图。具体实施方式图1示出了执行器（10）的示例性的示意图，该执行器包括深度神经元网络（11）。该深度神经元网络（11）包括多个层和至少一个分类层。可以向该深度神经元网络（11）提供输入参量（12），该输入参量紧接着可以在该深度神经元网络（11）中逐步地被处理。该深度神经元网络（11）的输出参量（13）可以紧接着被用于操控执行器（10）。该执行器（10）还包括计算单元（14）和存储元件（15）。在存储元件（15）上可以存储计算机程序，该计算机程序包括如下指令，在计算单元（14）上实施所述指令时，所述指令导致该计算单元（14）可以实施按照本发明的方法。在该深度神经元网络（11）的一个优选的实施方式中，该深度神经元网络（11）是卷积神经元网络（英文“ConvolutionalNeuralNetwork”）而输入参量（12）可包含所检测到的图像。优选地，执行器（10）是至少部分自动化的机器、尤其是机器人或车辆，该车辆根据该深度神经元网络（11）的输出参量（13）来操控。例如，输入参量（12）可以是执行器（10）的周围环境的所检测到的图像，该执行器（10）可以在该周围环境下运动。在此，该深度神经元网络（11）可以进行学习，使得该深度神经元网络借助于分类层来承担安全相关的功能，示例性地，操控执行器（10）使得该执行器不与周围环境中的人员相撞。在该实施方式中，所检测到的输入参量（12）可以借助于该深度神经元网络（11）来处理，以便根据该深度神经元网络（11）的输出参量（13）来操控车辆。借助于该深度神经元网络（11）的分类层，可以对包含在输入参量（12）中的对象的表面特性适当地进行重新分类，由此该深度神经元网络（11）对于错误分类来说不那么易受影响，而且可以控制车辆更安全地经过道路交通。替选地，执行器（10）可以是如下机器人，该机器人在生产环境下根据该深度神经元网络（11）的输出参量（13）来起作用。该方法还可以被用于监控生产运行流程。一旦已经借助于该深度神经元网络识别出异常，就可以操控执行器的保护功能（例如故障切断或对转矩的调节），以便例如预防损害。但是，也可设想的是：执行器（10）可以是如下机器人，该机器人有针对性地与耕地中的杂草作斗争，例如拔出耕地中的杂草或者用相对应的化学物质对耕地中的杂草进行喷洒。在执行器（10）的一个替选的或者附加的实施方式中，该执行器（10）可以被用在监控系统中。在这种情况下，例如所检测到的输入参量（12）可以表征所要监控的周围环境，该周围环境应该借助于该深度神经元网络（11）来监控。在此，根据该深度神经元网络（11）的输出参量（13），例如如果示例性地有人员接近危险地带，则可以输出执行器（10）的声音或光学报警信号，或者执行对相应的人员是否有权走进可预先给定的区域的授权。也可能的是：在患者处所检测到的输入参量（12）已经被确定并且由该深度神经元网络（11）来处理，以便可以根据该深度神经元网络（11）的输出参量（13）来执行对异常的探测、尤其是对疾病的诊断。例如，输入参量（12）可以是超声信号或者借助于成像方法来检测。接着，该深度神经元网络（11）可以学习根据输入参量（12）来探测异常。优选地，输出参量（13）表征疾病图像，而且根据该输出参量（13）可以对疾病进行诊断或预测。图2示出了深度神经元网络（11）的示意图。该深度神经元网络（11）包括多个层（23、24、26）和一个分类层（25）。在根据图2的该实施方式中，该深度神经元网络的输入参量（12）可以是图像（20）。图2中的深度神经元网络（11）还可以是卷积神经元网络（英文“ConvolutionalNeuralNetwork”）。该深度神经元网络（11）例如在第一层（23）、尤其是所谓的卷积层中借助于多个不同的过滤器（21）来处理图像（20），这些过滤器以不同的方式来对图像（20）进行过滤并且将该图像（20）作为第一层（23）的中间输出参量来输出。例如，第一层（23）的紧随其后的层（24）同样可以是所谓的卷积层。该紧随其后的层（24）可包括多个不同的过滤器，这些过滤器对第一层（23）的中间输出参量进行过滤。附加地或替选地，同时利用同一过滤器也可以多次对第一层（23）的中间输出参量进行过滤，诸如在图2中在第一层（23）的紧随其后的层（24）中示出的那样。紧接着，第一层（23）的中间输出参量可以被进一步处理，例如通过所谓的池化（Pooling）（未在图3中示出）被进一步处理，或者直接由紧随其后的层（24）来处理。在此，每个层（23、24、25、26）都可以根据就在此之前的层的中间输出参量来确定中间输出参量。如在图2中示出的那样，该中间输出参量可包括多个激活地图（22）。在深度神经元网络（11）的该示例性的实施方式中，层（26）是全网状深度神经元网络，该全网状深度神经元网络可以根据分类层（25）的中间输出参量来执行例如对象探测、分类或回归。可选地，可以使用至少一个“跨接式连接（Skip-Connection）”，该“跨接式连接”例如将层（23、24）中的一个层与更下面的层（26）直接连接，其中中间的层（24、25）被跳过。该深度神经元网络（11）还可具有环式连接，该环式连接可以将一个层的中间输出参量传回到之前的层。应注意：根据分类层（25）在该深度神经元网络（11）之内的位置，可以以不同的抽象程度有针对性地对不同的特征进行重新分类。在此，可以实现相对于对象的不同特征的鲁棒性。例如，根据该分类层（25）在该深度神经元网络（11）中的位置，可以实现相对于输入参量（12）中的对象的颜色和或形状的鲁棒性，使得所述对象的颜色和或形状不能造成错误的对象分类。图3示出了借助于分类层（25）进行重新分类（33）的示意图。示例性地，选择多个片段（31、32）、尤其是可预先给定的多个片段（31、32），这些片段分别位于每个激活地图（22）的相同的位置。在图3中，示例性地选择片段（31、32）作为激活地图的录入项、尤其是像素。每个录入项都可具有例如表征对象的颜色的值，如在图3中示出的那样。借助于分类层（20），根据可预先给定的顺序来对激活地图（42）的片段（31、32）进行重新分类（33）。例如，可以根据升序或降序的顺序来对录入项的值进行重新分类。如在图3中示例性地示出的那样，逐像素地对片段（31、32）进行重新分类，使得第一个激活地图具有最高的像素值而最后一个激活地图（22）具有最低的像素值。在一个替选的实施方式中，片段（31、32）也可包括多个录入项、尤其是多个像素，所述多个录入项根据可预先给定的顺序来重新分类（33）。在这种情况下，该可预先给定的顺序可以是：例如依据相应的片段（31、32）的平均值，根据降序或升序的顺序来分别对这些片段（31、32）进行重新分类（33）。这具有如下有利效果：该深度神经元网络（11）借助于分类层（25）而不能被不重要的特征或特性误导。在重新分类（33）的一个附加的或替选的实施方式中，在已经对激活地图的片段进行重新分类之后，紧接着可以将例如包括不重要的特征或特性的激活地图从该深度神经元网络中除去。这具有如下有利效果：还可以更可靠地执行分类、探测或回归，而该深度神经元网络（11）不能被这些被除去的特征或特性误导。图4示出了用于根据深度神经元网络（11）的输出参量（13）操控执行器（10）的方法（40a）和用于根据深度神经元网络（11）的输出参量（13）确定异常的方法（40b）的示意图。用于操控执行器（10）的方法（40a）开始于步骤41a。在步骤41a中，向该深度神经元网络（11）提供训练数据。在随后的步骤42a中，利用所提供的训练数据来使该深度神经元网络（11）学习。在该深度神经元网络（11）进行学习的情况下，首先在分类层（25）停用的情况下使该深度神经元网络（11）学习。紧接着，可以将分类层（25）激活并且可以使该深度神经元网络（11）的第一部分进行学习。优选地，该第一部分可包含该深度神经元网络（11）的布置在分类层（25）前面的层。在已经使该第一部分学习之后，可以使该深度神经元网络（11）的其它部分进行学习。优选地，该其它部分可包含该深度神经元网络（11）的布置在分类层（25）后面的层。在步骤42a已经结束之后，跟着是步骤43a。在步骤43a中，输入参量（12）被检测并且被提供给学习过的深度神经元网络（11）。学习过的深度神经元网络（11）根据输入参量（12）逐步地确定输出参量（13）。在确定输出参量（13）时，分别确定每个层的中间输出参量。分类层（20）的中间输出参量可以是分类层（19）的就在此之前的层的被重新分类的中间输出参量，其中相应的激活地图（20）的可预先给定的片段是根据可预先给定的顺序来重新分类（33）的，如示例性地在图3中示出的那样。紧接着，实施步骤44a。在步骤44a中，根据所确定的输出参量（13）来操控执行器（10）。可选地或替选地，控制单元可以根据所确定的输出参量（13）来确定用于操控执行器（10）的控制参量。借此，该方法（40a）结束。在已经以步骤44a结束该方法（40a）之后，该方法可以示例性地以步骤41a或步骤42a循环地重复。替选地，步骤42a也可以多次相继被实施，直至满足可预先给定的中断标准。在图4中还示例性地示出了用于探测异常的方法（40b）。该方法（40b）可以开始于步骤41b。在步骤41b中，向该深度神经元网络（11）提供训练数据。在紧接着的步骤42b中，使该深度神经元网络（11）类似于步骤42a地学习。在步骤42b中已经使该深度神经元网络进行学习之后，执行步骤43b。在步骤43b中确定输入参量（12）。输入参量（12）例如可以已经在患者处被确定。紧接着，类似于在步骤43a中借助于该深度神经元网络（11）来处理输入参量（12）那样，该深度神经元网络（11）处理所提供的输入参量（12）。紧接着可以执行步骤44b。在步骤44b中，根据该深度神经元网络（11）的所确定的输出参量（13）可以确定疾病，该输出参量例如表征疾病图像或者对疾病的诊断。借此，该方法（40b）结束。替选地，该方法可以以步骤41b或步骤42b循环地重复。附加地或替选地，步骤42b可以多次相继被实施，直至满足可预先给定的中断标准。易于理解的是：该方法不仅可以如所描述的那样完全以软件来实现，而且可以以硬件或者以软件和硬件和混合形式来实现。

权利要求：1.一种用于根据深度神经元网络（11）的输出参量（13）来操控执行器（10）的方法（40a），其中所述深度神经元网络（11）包括多个层（23、24、26）和至少一个分类层（25），所述方法包括如下步骤：-根据所述深度神经元网络（11）的输入参量（12）来确定（41a）所述深度神经元网络（11）的输出参量，其中为了确定所述深度神经元网络（11）输出参量（13），分别确定每个层的中间输出参量，其中所述分类层（25）在确定所述分类层的中间输出参量时使所述分类层（25）的就在此之前的层（24）的中间输出参量的片段（31、32）根据可预先给定的顺序重新分类；而且-根据所述深度神经元网络（11）的所确定的输出参量（13）来操控（44a）所述执行器（10）。2.根据权利要求1所述的方法，其中所述分类层（25）的就在此之前的层（24）的中间输出参量包括多个激活地图（22），而且其中所述片段（31、32）分别位于每个激活地图的相同的位置。3.根据权利要求1或2所述的方法，其中所述分类层（25）分别对所述片段（31、32）的录入项进行重新分类，尤其是根据所述录入项的值降序地或升序地对所述片段（31、32）的录入项进行重新分类，其中所述录入项分别位于每个片段（31、32）的相同的位置。4.根据上述权利要求之一所述的方法，其中所述深度神经元网络（11）的第一部分包含所述深度神经元网络（11）的布置在所述分类层（25）前面的那些层（23、24），而所述深度神经元网络（11）的其它部分包含所述深度神经元网络（11）的布置在所述分类层（25）后面的那些层（26），其中在确定所述输出参量之前使所述深度神经元网络（11）学习，其中使所述深度神经元网络（11）在没有活跃的分类层（25）的情况下学习，直至满足第一标准，其中紧接着将所述分类层（25）激活并且使所述深度神经元网络（11）的第一部分学习，直至满足第二标准，而且其中在已经使所述深度神经元网络（11）的第一部分学习之后，使所述深度神经元网络（11）的其它部分学习，直至满足第三标准。5.根据上述权利要求之一所述的方法，其中所述深度神经元网络（11）的第一部分和其它部分的学习交替地多次重复，直至满足另一标准。6.一种用于借助于深度神经元网络（11）来确定异常、尤其是诊断疾病的方法（40b），其中所述深度神经元网络（11）包括多个层（23、24、26）和至少一个分类层（25），所述方法包括如下步骤：-提供（41b）所检测到的输入参量（12）、尤其是在患者处所检测到的输入参量（12）；而且-借助于所述深度神经元网络（11），根据所提供的输入参量（12）来确定所提供的输入参量（12）是否包含异常，尤其是对疾病进行诊断，其中为了确定所提供的输入参量（12）是否包含异常，确定每个层的中间输出参量，其中所述分类层（25）在确定所述分类层的中间输出参量时使所述分类层（25）的就在此之前的层（24）的中间输出参量的片段（31、32）根据可预先给定的顺序重新分类。7.根据权利要求6所述的方法，其中所述分类层（25）的就在此之前的层（24）的中间输出参量包括多个激活地图（22），而且其中所述片段（31、32）分别位于每个激活地图的相同的位置。8.根据权利要求7所述的方法，其中所述分类层（25）分别对所述片段（31、32）的录入项进行重新分类，尤其是根据所述录入项的值降序地或升序地对所述片段（31、32）的录入项进行重新分类，其中所述录入项分别位于每个片段（31、32）的相同的位置。9.根据权利要求6至8之一所述的方法，其中所述深度神经元网络（11）的第一部分包含所述深度神经元网络（11）的布置在所述分类层（25）前面的那些层（23、24、26），而所述深度神经元网络（11）的其它部分包含所述深度神经元网络（11）的布置在所述分类层（25）后面的那些层（23、24、26），其中在确定输出参量之前使所述深度神经元网络（11）学习，其中使所述深度神经元网络（11）在没有活跃的分类层（25）的情况下学习，直至满足第一标准，其中紧接着将所述分类层（25）激活并且使所述深度神经元网络（11）的第一部分学习，直至满足第二标准，而且其中在已经使所述深度神经元网络（11）的第一部分学习之后，使所述深度神经元网络（11）的其它部分学习，直至满足第三标准，其中所述深度神经元网络（11）的第一部分和其它部分的学习交替地多次重复，直至满足另一标准。10.一种计算机程序，所述计算机程序包括如下指令，所述指令在计算机上实施时引起：根据权利要求1至9之一所述的方法被实施。11.一种机器可读存储元件（15），在其上存储有根据权利要求10所述的计算机程序。12.一种设备，所述设备被设立为实施根据权利要求1至9之一所述的方法。

百度查询： 罗伯特·博世有限公司 用于操控执行器和确定异常的方法、设备和计算机程序