不确定环境下的人机物融合系统的建模与验证

发布时间：2020-10-30 02:18

　　随着科技的进步,新型复杂系统例如人机物融合系统(Human Cyber-Physical Systems,HCPS)已经与人类社会生活越来越密不可分。软件系统所处的信息空间与人们日常生活所处的物理空间日渐融合。物理空间内环境的复杂多变、时空数据的爆发增长以及难以预料的人类行为等不确定因素威胁着系统安全。由于系统安全需求的增长,系统的规模和复杂度?随之增加,所带来的的一系列问题亟待解决。因此,在不确定环境下,构造智能、安全的人机物融合系统的建模与验证方法以及工具链平台的开发已经成为软件行业不可回避的挑战。环境不确定性使得人机物融合系统软件无法准确感知其所处的运行环境。感知的不确定性将导致系统的误判,从而影响系统的安全性。环境不确定性使得系统设计人员无法为人机物融合系统软件的运行环境提供准确的形式化规约。而对于安全要求较高的系统,准确的形式化规约是保证系统安全的首要条件。为了应对规约的不确定性,本文提出时空数据驱动与模型驱动相结合的建模方式,即通过使用机器学习算法,基于环境中时空数据,而非基于形式化规约,对环境进行建模。根据安全软件的典型特征,设计具有层次化特征的参数化建模语言,采用动态验证的方式保证系统的安全,从而构建统一安全的理论框架。本文以构建安全智能的人机物融合系统的形式化建模与验证的理论框架及应用作为主要的研究目标。主要贡献体现在:·针对系统所处的物理环境的不确定性,应用机器学习技术,以环境中的时空数据为驱动,提出了不确定环境下的感知模型。包括基于朴素贝叶斯的人类行为分类模型和基于LSTM循环神经网络的环境风险预测模型。·定义了具有层次化特征的参数化建模语言stohChart(p),给出了相应语法和语义的形式化定义。提出了将模型转换为随机混成自动机(Stochastic Hybrid Automaton,SHA)的映射算法。·提出针对不确定性模型的动态验证方法,通过验证工具UPPAAL-SMC实现对模型的动态验证,从而定量评估不确定性环境以及人的行为对系统安全性的影响。为了展示方案的可行性,本文以自动驾驶车辆与人类驾驶车辆的交互场景为例说明了在不确定性环境下的人机物融合系统的建模与验证的具体应用。
【学位单位】：华东师范大学
【学位级别】：博士
【学位年份】：2020
【中图分类】：TP311.52
【部分图文】：

框架图,框架图,技术,环境

本文采用时空数据驱动的方法来处理环境的不确定性针对安全攸关HCPS建模与验证缺乏统一系统的理论、方法。围绕“不确定环境下的人机物融合系统的建模与验证”关键科学问题,提出了以数据驱动和模型驱动相结合的创新方式构建不确定环境下的HCPS,并对其关键支撑技术进行创新性研究,图1.1概述了本文所应用的技术总框架图,并且给出了对应本文的行文结构。?针对系统所处的物理环境的不确定性,应用机器学习技术,以环境中的时空数据为驱动,环境感知计算为切入点,提出了不确定环境下的感知模型。包括基于朴素贝叶斯的人类行为分类模型和基于LSTM循环神经网络的环境风险预测模型。

神经网络,贝叶斯,类别,概率

以上公式是朴素贝叶斯分类器的原理,即在给定n个特征的情况下,计算事件属于某个类别的概率,概率最大的那个类别即为该事件所属的类别。虽然原理很简单,但却有着惊人的学习效率和分类效果。原因之一就是我们不需要知道类别概率的精确值P(θ∈1,2,...,k),我们只需要分类器能够对它们进行正确的分类。朴素贝叶斯算法在机器学习中应用非常广泛,相比与其他监督学习分类算法,它更简单高效,需要考虑的参数也比较少。由于朴素贝叶斯可以很好地缩放到高维数据,因此它经常在多媒体应用中被使用,特别是在文本处理中,已被证明分类效果十分准确。朴素贝叶斯的算法主要包括三个阶段:准备阶段,贝叶斯分类器学习阶段以及预测阶段。在准备阶段,需要进行数据预处理,指定特征属性和类别,获取训练数据。进入贝叶斯学习阶段,首先要估计每个事件类别出现的概率,估计每个类别下每个特征属性出现的概率,然后对于每个属性组合,分别计算其归属于每个类别的概率。贝叶斯分类器学习阶段完成,在预测阶段,针对输入的特征属性集合,我们只需要挑选最大概率所属的类别作为最终的分类结果。图2.2长短时间记忆神经网络LSTM的神经元结构

神经网络,神经元