5、混合系统的可达性分析

混合系统的可达性分析

1. 可达性分析的重要性

在许多重要的工程问题中,例如验证飞机、汽车、医疗设备、能源生产和分配厂以及其他安全关键应用的嵌入式控制器的正确性和安全性,可达集分析(Reachability Analysis)扮演着基础性的角色。这种分析的目标是确保系统的状态永远不会进入不安全或不良的状态集合。大多数为混合系统安全性验证开发的方法存在一个共同的缺点,即它们容易产生虚假的反例。换句话说,虽然这些技术在终止并提供安全证书时提供了强有力的安全保证,但它们在一般情况下无法证明不安全。尽管可以通过细化来改进,但连续细化过程可能因为问题的固有不可判定性或所使用的近似结构而无法终止。

为了克服这些问题,提出了一个高效的安全性虚假化工具,旨在快速生成可行的反例,即违反安全性属性的混合系统的状态轨迹。具体而言,目标是生成一系列增长的可达集的下近似,随着迭代次数的增加,在适当的意义上收敛到可达集。如果系统不安全,所提出的技术将能够快速生成一个可行的反例,概率很高。

2. 混合系统的建模形式化方法

混合系统(Hybrid Systems)由离散动态和连续动态组成,通常用于描述既有离散事件又有连续行为的系统。为了进行可达性分析,首先需要对混合系统进行建模。混合系统的建模形式化方法包括以下几个关键要素:

2.1 离散时间混合系统

离散时间混合系统可以建模为自动机(AUT)和切换仿射系统(SAS)通过事件生成器(EG)和模式选择器(MS)的互连。自动机描述了混合系统的逻辑动态,SAS描述了连续动态,EG和MS描述了这些动态之间的相互作用。

2.2 混合系统的定义

混合系统 (H)

根据原作 https://pan.quark.cn/s/459657bcfd45 的源码改编 Classic-ML-Methods-Algo 引言 建立这个项目,是为了梳理和总结传统机器学习(Machine Learning)方法(methods)或者算法(algo),和各位同仁相互学习交流. 现在的深度学习本质上来自于传统的神经网络模型,很大程度上是传统机器学习的延续,同时也在不少时候需要结合传统方法来实现. 任何机器学习方法基本的流程结构都是通用的;使用的评价方法也基本通用;使用的一些数学知识也是通用的. 本文在梳理传统机器学习方法算法的同时也会顺便补充这些流程,数学上的知识以供参考. 机器学习 机器学习是人工智能(Artificial Intelligence)的一个分支,也是实现人工智能最重要的手段.区别于传统的基于规则(rule-based)的算法,机器学习可以从数据中获取知识,从而实现规定的任务[Ian Goodfellow and Yoshua Bengio and Aaron Courville的Deep Learning].这些知识可以分为四种: 总结(summarization) 预测(prediction) 估计(estimation) 假想验证(hypothesis testing) 机器学习主要关心的是预测[Varian在Big Data : New Tricks for Econometrics],预测的可以是连续性的输出变量,分类,聚类或者物品之间的有趣关联. 机器学习分类 根据数据配置(setting,是否有标签,可以是连续的也可以是离散的)和任务目标,我们可以将机器学习方法分为四种: 无监督(unsupervised) 训练数据没有给定...
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符  | 博主筛选后可见
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值