[发明专利]一种基于协作学习的信息物理系统高效屏障证书生成方法

权利要求书

1.一种基于协作学习的信息物理系统高效屏障证书生成方法，其特征在于，包括以下步骤：

步骤一、对信息物理系统抽象建模成的约束连续系统中定义的约束条件进行形式化定义并获得系统域、初始状态集合、不安全状态集合，对上述集合分别进行高频采样和低频采样，生成用于获得屏障证书的训练数据；

步骤二、利用低频采样获得的数据预训练初始模型，获得能够近似反映屏障证书的中间模型；

步骤三、将步骤二中获得的中间模型作为初始模型，利用从节点进行协同学习，获得最终的屏障证书。

2.如权利要求1所述的生成方法，其特征在于，步骤一中，所述约束条件包括初始条件、不安全条件、系统活动条件；所述高频采样是指在相同状态集合中使用等间距的方式进行采样，采样间隔根据约束连续系统的复杂程度自拟定；所述低频采样是指在相同状态集合中使用等间距的方式进行采样，采样频率为高频采样频率的四分之一；所述低频采样获得的数据集是高频采样获得的数据集的子集。

3.如权利要求1所述的生成方法，其特征在于，步骤一中，所述用于采样的集合包括系统域X_D、初始状态集合X_I和不安全状态集合X_U；所述集合在高维度复杂系统中存在约束；所述系统域X_D是指约束连续系统所规定的所有系统区域；所述初始状态集合X_I是指约束连续系统所规定的初始状态约束，即系统的起始状态；所述不安全状态集合X_U是指约束连续系统所规定的不安全状态约束，即系统进入不安全集合，即系统进入危险或不安全状态。

4.如权利要求3所述的生成方法，其特征在于，所述高维复杂系统中的约束利用下述公式进行编码，整体损失函数表示为：

其中，和分别是来自系统域、初始状态集合和不安全状态集合的有限采样数据；L_D、L_I和L_U分别是关于系统域、初始状态集合和不安全状态集合的子损失函数。

5.如权利要求4所述的生成方法，其特征在于，在整体损失函数表示方法中，

L_I(x,τ_I)＝ReLU(W(x)+τ_I)，

其中，W(x)是主节点和从节点都使用的神经网络，τ_I是一个大于等于0的极小非负常数，对于所有x∈T_I，确保约束W(x)≤0；

L_U(x,τ_U)＝ReLU(-W(x)+τ_U)，

其中，W(x)是主节点和从节点都使用的神经网络，τ_U是一个大于0的正常数，确保所有x∈T_U的约束W(x)0；

其中，τ_D是一个大于0的公差，确保的严格否定性，对于所有x∈T_D，要求τ_B指定W(x)周围的上下界区域宽度。

6.如权利要求1所述的生成方法，其特征在于，步骤二中，所述初始模型是神经网络框架Pytorch中定义的具备一层隐含层的卷积神经网络模型；所述训练迭代进行，直到整体损失下降至规定阈值，所述损失阈值可根据限制连续系统的复杂程度进行定量调整。

7.如权利要求1所述的生成方法，其特征在于，步骤二中，所述预训练通过低频率全局数据进行训练，根据相同训练轮数下损失阈值下降的快慢，判断当前初始化模型的好坏，相同训练轮次下，损失阈值下降越快，当前初始化模型越可能获得屏障证书，损失阈值下降越慢，当前初始化模型越不可能获得屏障证书；预训练获得的中间模型作为后续步骤的初始模型。