Algorithms for Joint Sensor and Control Nodes Selection in Dynamic Networks
The University of Texas at San Antonio(德克萨斯大学圣安东尼奥分校);The University of Texas at Dallas(德克萨斯大学达拉斯分校)
本文研究动态网络中传感器和控制节点的联合选择问题,提出最优算法和启发式方法,通过静态输出反馈稳定条件确定最小传感器和控制节点集,展示联合选择与输出反馈控制可转化为混合整数非凸问题,并提出三种方法解决非凸组合优化问题。
2019-03-07 cs.SY eess.SY math.OC
Time-Varying Sensor and Actuator Selection for Uncertain Cyber-Physical Systems
University of Texas San Antonio(德克萨斯大学圣安东尼奥分校);University of Texas at Dallas(德克萨斯大学达拉斯分校)
本文提出解决不确定网络物理系统中时间变化传感器和执行器选择问题的方法,将问题转化为半定规划问题,并通过有效启发式方法进行求解。
2018-07-25 cs.SY eess.SY math.OC
On the Complexity and Approximability of Optimal Sensor Selection and Attack for Kalman Filtering
给定一个受随机噪声影响的线性动力系统,我们考虑选择一组最佳的传感器(在设计时),以尽量减少跟踪的稳态先验或后验误差协方差的卡尔曼滤波器,受到一定的选择预算约束的问题。我们的基本结果是,没有多项式时间常数因子近似算法这个问题。这与文献中研究的其他类别的传感器选择问题形成对比,文献中研究的其他类别的传感器选择问题通常通过利用贪婪算法和费用函数的子模块性(或超模块性)来追求恒定因子近似。在这里,我们提供了一个具体的例子表明,贪婪算法可以任意执行卡尔曼滤波的设计时传感器选择的问题。然后我们研究攻击的问题(即,在预定义的攻击预算约束下,移除)一组安装的传感器,以最大化卡尔曼滤波器的先验或后验误差协方差的稳态的轨迹。再次,我们表明,没有多项式时间常数因子近似算法,这个问题,并特别显示,贪婪算法可以任意执行差。
2020-07-10 cs.CC cs.SY eess.SY
Sensor Selection Based on Generalized Information Gain for Target Tracking in Large Sensor Networks
针对大型传感器网络目标跟踪中的约束传感器选择问题,提出基于广义信息增益的选择框架,并给出可分/不可分及相关噪声情形下的解析、线性规划与半定规划随机化求解方法。
2013-02-06 math.OC
Probabilistic Performance Bounds for Randomized Sensor Selection in Kalman Filtering
研究了线性时不变动力系统在过程噪声和测量噪声下的传感器随机选择问题。我们对传感器进行独立采样,并且来自相同的分布。我们通过估计误差协方差来衡量卡尔曼滤波器的性能。使用随机矩阵理论的工具,我们得到的估计误差协方差在半定意义上的概率界。我们间接地提高了我们的卡尔曼滤波器的最大特征值度量的性能,并表明在一定条件下,最小化上界的最大特征值的最佳采样分布是一个适当定义的凸优化问题的解决方案。我们的数值结果表明,在提高卡尔曼滤波器的性能相对于平凡的均匀采样分布和贪婪采样$\textit{with replacement}$算法的最佳采样方案的功效。
2021-03-20 cs.SY eess.SY math.OC
Towards Understanding Sensor and Control Nodes Selection in Nonlinear Dynamic Systems: Lyapunov Theory Meets Branch-and-Bound
传感器与执行器选择问题是动态系统设计与控制中的核心问题之一。这些问题对应于确定传感器(测量)或致动器(控制节点)的最佳选择,使得可以实现某些估计/控制目标。虽然SASP的文献确实是根深蒂固的,绝大多数的工作集中在网络动态的线性(化)表示,导致在有限的操作区域有效的传感器或执行器(SA)的位置。作为替代方案,在这里,我们提出了一个新的一般框架,解决SASP在非线性动态系统(NDS),假设输入和输出线性耦合的非线性动态。这是通过(i)分类和参数化的NDS到各种非线性函数集,(ii)利用丰富的李雅普诺夫理论公式,(iii)设计一个新的定制的分支定界(BNB)算法,利用SASP的问题结构。新设计的BnB程序在计算上比标准程序更有吸引力,并且也直接适用于求解线性系统的SASP。与文献中的当代方法相比,我们的方法适合于找到稳定/不稳定NDS的最佳SA组合,通过一个简单的线性反馈控制策略,确保稳定的估计误差和闭环动态。
2022-05-04 cs.SY eess.SY math.OC
Inadequacy of Linear Methods for Minimal Sensor Placement and Feature Selection in Nonlinear Systems; a New Approach Using Secants
Princeton University(普林斯顿大学)
传感器放置和特征选择是工程、建模和数据科学中的关键步骤,它们有一个共同的数学主题:所选的测量值应该能够解决逆问题。感兴趣的大多数现实世界的系统是非线性的,但大多数可用的技术特征选择和传感器的位置依赖于线性或简单的统计模型的假设。我们表明,当这些假设被违反时,标准技术可能会导致昂贵的过度感知,而不能保证所需的信息可以从测量中恢复。为了解决这些问题,我们引入了一种新的数据驱动的方法,传感器的位置和特征选择的一般类型的非线性反问题的基础上所包含的信息在数据点之间的割线向量。使用割线为基础的方法,我们开发了三个有效的贪婪算法,每个提供不同类型的强大的,近最小的重建保证。我们证明了他们的两个问题,线性技术始终失败:传感器的位置,以重建由一个复杂的冲击混合层相互作用形成的流体流和选择基本流形学习坐标的环面。
2021-01-27 cs.LG cs.SY eess.SY
Sensor Placement Strategies for Some Classes of Nonlinear Dynamic Systems via Lyapunov Theory
研究了几类非线性动态系统的传感器配置问题。结合混合整数规划,经典的李雅普诺夫为基础的参数被用来找到最小的传感器配置,可以观察到的NDS内部状态,同时仍然优化一些估计指标。本文的方法基于两个阶段。第一阶段假设包含的非线性属于以下函数集分类之一:有界雅可比、Lipschitz连续、单侧Lipschitz或二次内界。为了参数化这些分类,基于随机点和基于区间的最优化方法的两种方法进行了探索。给定的参数化,第二阶段制定的传感器布局问题的各种NDS类通过混合整数凸规划。然后给出了传感器布置的理论最优性以及状态估计器设计。对交通网络模型的数值测试表明,所提出的方法产生的传感器的位置,是符合传统的智慧交通理论。
2019-12-28 cs.SY eess.SY math.OC
Optimal Sensor and Actuator Selection using Balanced Model Reduction
University of Washington(华盛顿大学)
本文提出了一种基于平衡模型降阶和贪心优化的方法,用于高维估计和控制中的最优传感器和执行器选择,通过贪心矩阵QR消元在主导模式上优化可观测性和可控性。
2020-01-11 cs.NA cs.SY eess.SY
Dynamic Sensor Selection for Reliable Spectrum Sensing via E-Optimal Criterion
研究了通过动态选择频谱传感器子集实现可靠高效的频谱感知。考虑从一组M个电势传感器中选择K个传感器测量值的问题,其中K << M。另外,K可以小于估计的未知变量的维数。通过传感器的选择,我们减少了问题的欠定方程组的潜在无限多个解决方案。然而,底层数据的稀疏性便于将解集限制为唯一解。稀疏性使得能够采用新兴的压缩感测技术,其中从大量潜在的传感器中选择压缩的测量。本文建议选择传感器的方式,减少方程组系统构成一个良好的条件下的测量矩阵。我们的传感器选择标准是基于E-最优,这是高度相关的限制等距属性,提供了一些保证稀疏的解决方案,通过L1最小化。此外,所提出的框架利用反馈机制,随着时间的推移动态地发展所选择的传感器。该演进旨在最大化感测到的频谱的可靠性。
2018-08-15 math.OC
Approximate Supermodularity of Kalman Filter Sensor Selection
本文考虑在大系统中选择传感器以使状态估计误差最小的问题。更具体地,卡尔曼滤波和平滑的状态估计均方误差(MSE)和最坏情况误差。这样的选择问题通常是NP难的,即,它们的解在实践中甚至对于中等大的问题也只能是近似的。由于其低复杂性和迭代性质,贪婪算法通常用于通过每次选择一个传感器来获得这些近似,在每一步选择使估计性能度量最小化的传感器。当这个度量是超模时,这个解保证是(1-1/e)-最优的。然而,对于MSE或最坏情况错误,情况并非如此。这个问题通常通过使用超模块代理(如logdet)来规避,尽管最小化logdet并不等同于最小化MSE。在这里,这个问题是通过利用近似超模块化的概念,以获得接近最优证书的greetings最小化的估计均方和最坏情况下的错误。在典型的应用场景中,这些证书接近于超模函数的(1-1/e)保证,从而证明了不需要改变原始问题就可以获得保证的良好性能。
2020-02-21 cs.SY eess.SY math.OC
Optimal Dynamic Sensor Subset Selection for Tracking a Time-Varying Stochastic Process
University of Southern California(南加州大学)
研究动态传感器激活以高效跟踪时间变化过程,结合Gibbs采样、随机逼近和共识算法改进,实现高能效跟踪机制。
2017-11-28 cs.NI cs.SY eess.SY
Sensor Selection With Cost Constraints for Dynamically Relevant Bases
我们考虑成本约束稀疏传感器选择全状态重建,应用一个众所周知的贪婪算法的动力系统,通常的奇异值分解(SVD)的基础可能无法使用或首选。我们应用成本修改,列枢轴QR分解的物理相关的基础-枢轴对应于传感器的位置,这些位置是惩罚与异构费用函数。在考虑不同的基地,我们能够考虑到特定系统的动态,产生传感器阵列,在所选择的基础上,传感器的成本和性能接近帕累托最优。这种灵活性扩展了我们的框架,包括驱动和动态估计,并选择传感器没有训练数据。我们提供了三个例子,从物理和工程科学和评估传感器的选择在三个动态相关的基础:截断平衡模式的控制系统,动态模式分解(DMD)模式,和分析模式的基础。我们发现,这些基地都产生有效的传感器阵列和重建各自的系统。在可能的情况下,我们比较结果使用SVD的基础和评估方法之间的权衡。
2020-03-17 eess.SP math.OC
State-Robust Observability Measures for Sensor Selection in Nonlinear Dynamic Systems
针对非线性动态网络的传感器选择问题,提出基于隐式 Runge-Kutta 离散化、开环提升观测器和状态平均可观测性度量的鲁棒方法,并证明其子模性与贪心性能保证。
2023-07-13 cs.SY eess.SY math.DS
Optimal Feedback Selection for Structurally Cyclic Systems with Dedicated Actuators and Sensors
本文解决了线性定常结构系统稀疏反馈的选择问题,这是结构系统中一个长期存在的问题。我们考虑具有专用输入和输出的结构循环系统。我们证明了,找到一个稀疏反馈选择的情况下,结构循环系统与专用的输入和输出的线性复杂性。这一问题近年来受到了人们的关注,但在硬证明中的关键错误导致了错误的结论。这一点也在这篇简短的论文中进行了阐述,并给出了一个反例。
2017-09-25 math.OC
Decentralized Event-Triggering for Control of Nonlinear Systems
University of Maryland(马里兰大学)
针对非线性系统,提出一种仅利用局部信息的分散式异步事件触发机制,保证传感器到中央控制器传输间隔的正下界和系统渐近稳定性,并扩展至LTI系统的全局渐近稳定性和尺度不变性。
2014-06-13 cs.SY eess.SY math.OC
Optimal Sensor and Actuator Selection for Factored Markov Decision Processes: Complexity, Approximability and Algorithms
Elmore Family School of Electrical and Computer Engineering, Purdue University(普渡大学 Elmore 电气与计算机工程学院)
本文针对因子化马尔可夫决策过程的最优传感器与执行器选择问题,证明其不可近似性,提出贪心算法并验证其在实践中平均可达最优解值70%以上,为相关问题提供了理论与算法支撑。
2026-09-03 cs.CC cs.SY eess.SY
Proximal algorithms for large-scale statistical modeling and sensor/actuator selection
Ming Hsieh Department of Electrical and Computer Engineering, University of Southern California(南加州大学明希赫电子与计算机工程系);Numerica Corporation(Numerica公司)
本文提出了一种统一的近端算法框架,用于解决大规模系统建模与控制中的正则化半定规划问题,通过近端方法实现了对统计建模和传感器/执行器选择的高效处理,展示了算法的线性收敛性和有效性。
2019-12-26 cs.AI cs.LG cs.SY
Fast Greedy Optimization of Sensor Selection in Measurement with Correlated Noise
针对测量中含有相关噪声的降维感知中稀疏传感器的选择问题,提出了一种贪婪算法。传感器的选择是通过极大化贝叶斯估计算子中Fisher信息矩阵的行列式来实现的,在测量噪声的协方差阵和估计参数的先验概率分布由高维数据的模态分解给出的情况下,贝叶斯估计即使在相关噪声存在的情况下也是鲁棒的。通过对噪声协方差阵进行低秩近似,提高了算法的计算效率,并将所提算法应用于各种问题。所提出的方法产生更准确的重建比以前提出的方法与基于行列式的贪婪算法,合理的增加计算时间。
2021-04-27 eess.SP math.OC
Scheduling Nonlinear Sensors for Stochastic Process Estimation
University of Pennsylvania(宾夕法尼亚大学);Massachusetts Institute of Technology(麻省理工学院)
本文研究在众多可用传感器中仅激活少数传感器以估计随机过程状态的问题,提出了一种时间复杂度与规划周期线性相关的算法,性能优于多项式时间算法,且在高斯过程等场景下具有与最优算法相当的效率。
2016-09-27 cs.RO cs.SY eess.SY
Dynamic Sensor Subset Selection for Centralized Tracking a Time-Varying Stochastic Process
受用于网络物理系统的物联网和传感器网络的启发,针对i.i.d.时变过程进行了研究。在能量效率和保真度之间进行权衡,能量效率随着活动传感器的数量而降低,保真度随着活动传感器的数量而增加。在有源传感器平均个数约束下,研究了在无限时域上最小化时均方误差的问题。所提出的方法巧妙地结合吉布斯采样和随机逼近的学习,以创建一个高性能,节能的跟踪机制与主动传感器选择。集中跟踪i.i.d.已知分布的过程,以及一个未知的参数分布。做个身份证。在已知分布的条件下,证明了算法以高概率收敛于全局最优解。i.i.d.的主要挑战。的情况下,该过程具有一个分布参数化的一个已知或未知的参数,必须学习;一个关键的理论结果证明,所提出的算法跟踪一个独立同分布。参数分布未知的过程收敛于局部最优。数值结果表明,所提出的算法的有效性,也表明,在某些情况下,实际上是实现全局最优。
2018-04-09 cs.NI math.OC
Controller confidentiality for nonlinear systems under sensor attacks
传感器攻击下的控制器机密性是指当对手知道对象和控制器的模型时,控制器的内部状态是否可以被估计,而只能访问传感器,而不能访问执行器。当非线性闭环系统是可检测的时,我们证明了控制器的状态可以被精确估计。在没有可检测性的情况下,控制器的机密性仍然可以通过一个强大的可观测性假设下的传感器,这使得控制器的状态被估计与任意的精度在探测期间,并在非探测期间的有界误差的周期性探测计划被突破。此外,可以通过选择适当的探测持续时间来保持隐身。研究表明,通过平衡估计精度和敌手的隐蔽性,可以突破非线性系统的控制器机密性。
2022-02-01 math.OC
Nondominated-Solution-based Multi-objective Greedy Sensor Selection for Optimal Design of Experiments
针对最优实验设计的多指标传感器选择问题,提出基于非支配解的多目标贪心方法,可在合理计算成本下得到帕累托最优前沿,且多准则下的传感器集合优于单目标纯贪心方法。
2023-06-19 eess.SP math.OC
Sensor Fault Detection and Isolation in Autonomous Nonlinear Systems Using Neural Network-Based Observers
本文提出一种基于神经网络KKL观测器的传感器故障检测与隔离方法,适用于一般非线性系统的完全失效与传感器退化故障,通过比较实际测量与预测输出及设定阈值实现故障检测与隔离,对噪声和不确定性具鲁棒性。
2023-11-22 cs.LG math.DS math.OC
A secure state estimation algorithm for nonlinear systems under sensor attacks
研究了连续时间非线性系统的状态估计问题,其中传感器输出的一个子集可以通过注入一个潜在无界的附加信号来恶意控制。类似于我们以前的工作连续时间线性系中的\cite{chong2015observability},我们术语的收敛估计的真实状态的存在下传感器攻击的“可观测性下$M$攻击”,其中$M$是指攻击者可以访问的传感器的数量。与线性情况不同,我们只提供了一个充分条件,使得非线性系统在$M$攻击下是可观测的。该条件要求渐近观测器的存在是强大的攻击信号在输入到状态稳定的意义。我们表明,一个算法来选择一个兼容的状态估计从银行的观察员产生的状态估计实现渐近状态重建。对于一类非线性系统,给出了一种构造性的状态观测器设计方法。这项研究的相关性说明监测配电网的安全运行。
2020-08-28 math.OC
Dynamic Sensor Selection for Biomarker Discovery
本研究针对大型生物数据集中最优生物标志物筛选的难题,基于能观性理论提出动态传感器选择方法,可适配系统动力学变化场景,在转录组学、神经活动等多类生物系统中验证了有效性。
2025-01-17 math.OC q-bio.MN
Explicit solutions for continuous time mean-variance portfolio selection with nonlinear wealth equations
研究了一类特殊的非线性财富方程下的连续时间均值-方差投资组合问题。该非线性财富方程具有非光滑系数,文[6]中的对偶方法不适用。我们引用了该问题的哈密顿-雅可比-贝尔曼方程,并给出了该哈密顿-雅可比-贝尔曼方程的显式粘性解.进一步,通过该粘性解,我们得到了该问题的有效投资组合策略和有效前沿。最后,我们证明了我们的非线性财富方程可以覆盖三个重要的情况。
2016-06-17 math.OC math.PR q-fin.MF
Solving nonlinear systems of equations via spectral residual methods: stepsize selection and applications
谱残量法是求解非线性系统方程组的一种无需导数且每次迭代费用低的方法。它们通常与非单调线性搜索策略相结合,并且对于大型非线性系统和非线性系统序列,它们与基于牛顿的方法相比很好。该算法以残差向量作为搜索方向,步长的选择对算法的性能有着至关重要的影响。在这项工作中,我们从理论上和实验上解决了步长的选择,并提供了一个实际的应用,如滚动接触问题的结果。
2021-09-17 cs.NA math.NA math.OC