信息物理系统的正确运行至关重要。这在诸如医疗、汽车和许多其他应用的安全关键系统的情况下更是如此。由于正确性的验证在一般情况下是不可行的,而且测试也不是穷尽无遗的,因此在系统运行过程中监控这些系统并检测要采取的错误行为是至关重要的。
研究了当系统状态不是完全可观察的、系统行为是随机的、被监视特性是在系统轨迹上指定的情况下的监视技术。从理论上定义了可监视性和强可监视性两个概念,并给出了表征它们的充要条件。提出了将系统建模为随机混合自动机,并将其属性指定为安全自动机或活性自动机时的一般监控技术,状态估计是监控的另一个关键步骤,因为属性定义在系统行为上,而系统行为是隐藏的和部分可观察的。该混合状态框架采用Rao-Blackwellised粒子滤波。
当用一组传感器探测一个标量油田时,例如,在墨西哥湾的石油泄漏集中区,在感兴趣的区域将它们部署在哪里总是一个问题。总的来说,传感器的部署满足了我们的需求,比如覆盖整个感兴趣的区域。
在我们的项目中,我们需要更多的传感器来覆盖该部分的信息量比其他部分高的部分。因此,我们需要为感兴趣区域上的每个点建立一个索引,以量化信息密度。在我们的研究中,我们发现曲率是一个很好的选择来量化场的信息密度。根据定义,曲面的曲率描述了曲面偏离平面的程度。在某一点上,曲率越高,表面弯曲越剧烈。因此,该点的信息密度越高。由于曲率是场的函数,也就是说,它不能直接从传感器读取,我们从近似场的样条来估计它。此外,所有传感器都是移动传感器。因此,一个循序渐进的运动算法应该嵌入驱动它们到一个最佳的传感配置,这意味着在每个传感器的责任区域内,曲率的积分,即信息的量,应该是相同的。
如果有一个收集传感器读数和所有传感器节点位置的中央服务器,那么很容易达到最佳部署。尽管如此,我们还是希望我们的任务是分布式的,这样更具挑战性。在我们的问题设置中,我们假设没有中央服务器,每个传感器节点仅根据其即时邻居提供的信息来决定移动到哪里。
所以,对我们来说有两个关键问题。第一个是如何用样条来近似场。一旦我们知道了场,我们就可以通过场来计算曲率。第二种是基于局部信息,每个传感器应该移动以实现全局优化部署。
到目前为止,该项目引入了两个模型,用于指定此类网络物理系统的语义。第一个模型是隐马尔可夫系统,将系统的状态建模为量化后的离散状态。对于这样的系统,被监视的属性是由无限字符串上的自动机指定的。我们定义了给定监视器的两个精度度量——接受精度和拒绝精度。准确率分别捕获误报和漏报的百分比。利用这些概念,我们定义了两个概念,称为强可监视性和可监视性。当一个系统具有强可监视性时,我们给出了精确的描述。基于这些概念,我们开发了当被监视系统由一个概率混合自动机指定和被监视属性由一个确定性混合自动机给出时的监视技术。给出了一种利用积自动机和粒子滤波器估计概率的监测方法。这些监控技术是用Matlab实现的,在一些例子中已经证明是有效的
支持:NSF资助iss -0093581和UIC校园研究委员会