关键词cyber-physical systems
搜索结果 - 76
- 用情景程序查询标记时序数据
确保自动驾驶车辆在道路上的安全性,模拟测试已成为道路测试的重要补充,其中对于验证 AV 行为是否与预期结果一致的需求与日俱增。本研究提出一种验证模拟时间序列故障与真实世界时间序列传感器数据一致性的方法,通过从真实世界时间序列数据集中检索故障 - 强化学习控制器对网络物理系统中的偏差容忍性
在该研究论文中,介绍了一种新的容错概念,旨在描述控制器在系统中可能出现的偏差下满足特定系统要求的能力。基于该定义,提出了一种新颖的分析问题 —— 容错验证问题,其中包括寻找导致给定要求违反的小偏差。通过构建一系列基准问题来评估该方法,在系统 - 建立混合 B 样条和神经网络算子
基于深度 B 样条和数据驱动神经网络相结合的策略,提出了一种用于实时预测控制系统行为的混合 B 样条神经操作器,证明其作为通用逼近器的能力并提供了逼近误差的严格界限。在控制的 6 自由度四旋翼飞行器上通过实验验证了这些发现,并比较了全连接网 - 工业 4.0 中的人工智能:对工业系统集成挑战的综述
在工业 4.0 中,网络物理系统 (CPS) 产生大量数据,可以被人工智能 (AI) 用于预测维护和生产计划等应用。然而,尽管已经证明了 AI 的潜力,但其在制造业等领域的广泛应用仍受限。本文通过综合审查最近的文献、标准和报告,确定了一些关 - 从数据中提取加强的检索辅助的时间逻辑规范
从观察行为中学习 Signal Temporal Logic (STL) 的要求,通过结合贝叶斯优化和信息检索技术,同时学习 STL 公式的结构和参数,提高了对于需求挖掘的有效性,进一步推动了在计算机物理系统中的研究。
- 基于注意力的深度生成模型用于工业控制系统中的异常检测
该论文提出了一种新颖的深度生成模型,采用变分自动编码器架构,利用卷积编码器和解码器从空间和时间维度提取特征,结合注意力机制增强相关特征的表示,改进异常检测准确性,并在安全水处理测试平台的六个阶段进行了全面的实验分析,实验结果表明该方法相比多 - 从自然语言生成概率场景程序
利用自然语言生成场景程序的 AI 系统 ScenarioNL,通过 Scenic 概率编程语言,能够清晰而简洁地表示关于 CPS 行为、属性和相互作用的不确定性和变化,并能生成语法正确和语义有意义的代码,基于加利福尼亚州过去五年的公开可用的 - 智能制造中基于拓扑机器学习的质量流建模的新方法
该研究论文提出了一种基于拓扑分析的方法,用于智能制造中流质量评估的 5 级网络物理系统架构。该方法不仅可以实时监测和预测分析质量,还可以发现不同制造过程中质量特征与工艺参数之间的隐藏关系。通过应用于增材制造的案例研究,论文证明了该方法在保持 - 神经启发的信息理论层次感知多模态学习
通过神经科学的启发,我们开发了信息论层次感知(ITHP)模型,它利用了信息瓶颈的概念。与大多数在神经网络中相同并一致地纳入所有模态的传统融合模型不同,我们的模型将一个主要模态设计为信息路径中的侦测器,以蒸馏信息流。我们提出的感知模型专注于通 - 针对网络物理系统和机器人系统的随机在线优化
我们提出了一种新颖的基于梯度的在线优化框架,用于解决在网络物理和机器人系统中经常出现的随机规划问题。我们的问题形式化考虑了模拟网络物理系统的约束条件,该系统通常具有连续的状态和动作空间,是非线性的,并且状态只被部分观测到。我们还在学习过程中 - 基于 LLM 的数字孪生优化人机交互系统
应用大型语言模型的案例研究表明,模拟复杂人口群体在大型开放空间中的行为和热偏好,并将其集成到基于增强学习的代理 - 环境闭环算法中,可以在节能和居住者舒适性之间找到平衡,从而显示出远优于传统的设定点控制策略,这表明在 CPS-IoT 应用中 - 多智能体优化用于网络物理系统安全分析:论文题目
本文提出采用优化技术自动化完成 FMECA 之后的决策过程,以达到关键性和开发约束的最佳解。
- HARGPT:是零样本人类活动识别器吗?
我们的研究通过案例研究,在零样本方式下,通过演示大型语言模型(LLMs)能够理解原始 IMU 数据并以经过适当提示的方式进行人类活动识别任务,以回答 LLMs 是否适用于与网络系统无缝集成的物理世界解释问题。通过在 GPT4 上使用两个不同 - 有限域情境演算理论中的时间可解推理
时间的表示对于网络物理系统至关重要,并在情景演算中进行了广泛研究。最常用的方法是通过添加实值流畅函数 time (a) 来表示时间,该函数将时间点附加到每个动作,从而附加到每个情景。我们证明了在这种方法中,即使领域的论述范围被限制在有限对象 - 来见证:关于网络物理系统安全保障的一些观点
通过探讨与保障支持因为设计而参数要求(例如安全性、安全性和可靠性)的合规性的确证缺陷检测、模式依赖以改善确证方案结构、改进现有确证方案符号以及(半)自动化确证方案生成等方面的挑战,提出了一些可能的解决方向。
- 基于条件边缘节点更新的图神经网络用于多元时间序列异常检测
引入了边缘条件节点更新图神经网络(ECNU-GNN)模型,通过边缘条件的节点更新模块动态地根据连接的边来适当地转换源节点表示,以更好地表示目标节点,并在 SWaT,WADI 和 PSM 三个真实世界数据集上验证了其性能,相比最佳基线模型,分 - 可解释的贝叶斯优化
提出了一种基于规则的解释性方法 TNTRules,通过多目标优化生成高质量解释,从而弥合 Bayesian optimization 和 XAI 之间的差距。通过对基准优化问题和实际超参数优化任务的评估,证明了 TNTRules 在生成高质 - 基于诊断的工控系统异常检测
在基于深度学习的异常检测的基础上,提出了一种用于一体化诊断的方法,通过生成输入数据来解决在网络物理系统研究中的异常检测和诊断问题。针对模拟和真实的网络物理系统数据集进行评估,结果表明该模型相对于其他最新技术模型表现出较强的性能。
- 知安全:基于知识和数据的人工胰腺系统危害缓解
该研究提出了一种结合知识和数据驱动的方法,名为 KnowSafe,用于设计安全引擎,可以预测和减轻针对控制系统的安全危害,它整合了领域特定的安全约束和上下文特定的缓解措施,并结合机器学习技术来估计系统轨迹、推断潜在危害,并生成最优的纠正措施 - 使用大型语言模型进行测试学习能力的网络物理系统:一种形式化方法
通过检查以测试为基础的验证和验证作为最实用的方法,并总结当前先进的方法学,在确保学习能力的 CPS 的形式安全方面,确定了当前测试方法的局限性,并提出了从基础概率测试过渡到更严格方法的路线图,以提供正式保证。