A method of verifying pretrained, static, feedforward neural network mapping software using Lipschitz constants for determining bounds on output values and estimation errors is disclosed. By way of example, two cases of interest from the point of view of safety-critical software, like aircraft fuel gauging systems, are discussed. The first case is the simpler case of when neural net mapping software is trained to replace look-up table mapping software. A detailed verification procedure is provided to establish functional equivalence of the neural net and look-up table mapping functions on the entire range of inputs accepted by the look-up table mapping function. The second case is when a neural net is trained to estimate the quantity of interest form the process (such as fuel mass, for example) from redundant and noisy sensor signals. Given upper and lower bounds on sensor noises and on modeling inaccuracies, it is demonstrated how to verify the performance of such a neural network estimator (a "black box") when compared to a true value of the estimated quantity.

Eine Methode des Überprüfens pretrained, Static, feedforward springt das neurale Netz, welches die Software verwendet Lipschitz Konstanten für die Bestimmung abbildet, auf Ausgang Werte und Schätzungstörungen wird freigegeben. Über Beispiel werden zwei Fälle vom Interesse vom Gesichtspunkt der Sicherheit-kritischen Software, wie abmessende Systeme des Flugzeugkraftstoffs, besprochen. Der erste Fall ist der einfachere Fall von, wenn das neurale Netz, das Software abbildet, ausgebildet wird, um die Look-up Tabelle zu ersetzen, die Software abbildet. Ein ausführliches Überprüfung Verfahren wird zur Verfügung gestellt, um Funktionsgleichwertigkeit der neuralen Netz- und uptabelle herzustellen, die Funktionen auf der gesamten Strecke der Eingänge abbildet, die durch die Look-up Tabelle angenommen werden, die Funktion abbildet. Der zweite Fall ist, wenn ein neurales Netz ausgebildet wird, um die Quantität der Interesse Form zu schätzen der Prozeß (wie Kraftstoffmasse, z.B.) von den überflüssigen und lauten Sensor-Signalen. Gegebene obere und unterere Limits auf Sensor-Geräuschen und auf dem Modellieren der Ungenauigkeiten, wird es demonstriert, wie man die Leistung solch eines Abschätzers des neuralen Netzes (ein "schwarzer Kasten") wenn es verglichen wird mit einem zutreffenden Wert der geschätzten Quantität überprüft.