核数字孪生中适应性约束下的最佳传感器放置
传感器布置优化方法研究广泛,但很少有研究考虑到传感器网络在传感器故障或对抗性攻击方面的鲁棒性和效率。本文通过优化寻找最少数量的传感器来实现预定数量传感器对非连通域进行多次覆盖,从而解决了这个问题。我们提出了一种新的目标函数用于贪婪算法设计高效而鲁棒的传感器网络,并推导出了网络的可优化性的理论界限。我们进一步引入了一个深度学习模型加速算法以进行近实时计算。该深度学习模型需要生成训练样本,相关地,我们展示了了解训练数据集的几何属性对深度学习技术的性能和训练过程提供了重要见解。最后,我们展示了使用较简单目标的简单并行贪婪方法可以具有很高的竞争力。
May, 2024
在复杂环境中,我们解决了高效和无障碍监视或通信的问题,通过使用最少数量的传感器覆盖环境,并考虑对传感器故障或对抗性攻击具有鲁棒性的解决方案。我们提出了一种贪婪算法来实现多覆盖约束的最小传感器集设计目标,并探索了使用深度学习技术加速贪婪算法中目标函数的评估。神经网络的训练揭示了数据的几何特性显著影响网络性能,特别是在最后阶段。通过考虑这些特性,我们讨论了使用贪婪算法和 ϵ- 贪婪算法生成数据的差异及其对网络的鲁棒性的影响。
Sep, 2023
本文介绍了一种数据驱动的稀疏传感器选择算法,通过拟合训练数据的基函数,排列现有压力传感器的重要性顺序,并成功地重建了高层建筑风压的空气动力学特性,为将数据驱动和机器学习算法成功应用于风工程提供了有希望的首要步骤。
Jun, 2023
研究了基于流量守恒假设下的传感器放置问题,提出了一种高效自适应的贪心启发式算法,并通过实验结果证明该方法能够比现有方法更准确地推断出网络中缺失的测量值,尤其在只有少量传感器可用时,考虑不完全或不准确的基准估计结果能够大大提高预测误差。
Dec, 2023
本文提出了一种新的传感器放置问题的建模方法,在连续型赌臂问题框架下通过 Thompson sampling、Bayesian 直方图等方法进行求解,并使用模拟实验验证了本方法与其他竞争算法相比具有更低、更稳定的贝叶斯遗憾值。
May, 2019
本文提出了一种基于物理和数据驱动的数字孪生框架,用于自主食品加工,该框架含有最小计算负载、数据存储和传感器数据要求的精益数字孪生概念,并采用一个节俭的实验设计用于训练热处理的非侵入式降阶模型,其最佳模型的测试均方根误差小于 1 开尔文(0.2%平均百分比误差),模拟速度加快达到 1.8E4 Sp,可用于设备内的模型预测控制。
Sep, 2022
对于无人机在关键领域的威胁,通过计算三角传感器的部署,优化覆盖范围、成本效益和容错性,可实现对无人机的有效定位和监测。
Dec, 2023
本研究通过使用物理模拟数据(如 EPANET 软件)的方法,提出了一种在复杂供水网格中进行泄漏定位的方法。该方法通过对网络模拟数据和泄漏所影响的实际网络数据的压力差异的敏感性矩阵进行分析,利用少量压力传感器和可移动传感器定位的迭代方案,实现了在少量传感器情况下对泄漏位置的准确估计。实验结果表明,该系统可以通过对传感器位置的调整来实现少量传感器的有效利用,并在模拟和真实情况下都能够很好地定位泄漏位置。
Jun, 2024
利用深度强化学习方法自动学习改进性启发式算法,提出一种针对环境监测和灾害管理的传感器布置方法,与现有方法相比,证明了其在生成高质量解决方案方面的有效性和优越性,为应用先进的深度学习和强化学习技术解决关键气候传感器布置问题提供了有希望的方向。
Oct, 2023
基于灰盒贝叶斯优化和仿真评估,我们提出了一种新颖的、样本高效的方法,在任意室内空间中找到高质量的传感器布置,用于可靠的跌倒检测、室内定位和活动识别。通过捕捉关于活动空间分布的专业知识,并将其纳入到贝叶斯优化的迭代选择查询点过程中,考虑了两个仿真室内环境和包含人类活动和传感器触发的真实数据集,我们展示了相对于现有的黑盒优化技术,我们提出的方法在识别高质量传感器布置方面表现更好,在 F1 得分方面实现了准确的活动识别,同时还需要更少的昂贵函数查询次数(平均减少了 51.3%)。
Sep, 2023