WSQ_2000的博客

原创 port-Hamiltonian建模

多机器人系统的Port-Hamiltonian（端口哈密顿）建模是一种用于描述和控制多机器人系统动力学的方法。：在Port-Hamiltonian系统中，Hamiltonian函数是系统总能量的表示，包括动能和势能。对于多机器人系统，Hamiltonian可以表示为机器人的动能、势能以及它们之间相互作用的能量。通过使用Port-Hamiltonian方法，可以有效地建模和分析多机器人系统的动态行为，特别是在复杂的交互和能量交换情况下。在多机器人系统中，这可以表示为机器人移动中的能量损耗。

原创 卡尔曼滤波 Kalman Filter

Kalman滤波器是一种状态估计器，用于结合多个包含噪声的传感器数据。

原创 高斯过程 Gaussian Process

长度尺度决定了不同输入点之间的相似度衰减的速度。较大的长度尺度意味着输入点的相似度衰减得较慢，产生更平滑的函数；而较小的长度尺度会产生更为波动的函数。：噪声标准差参数表示观测噪声的大小。它帮助模型了解观测数据中的噪声程度，从而在预测时考虑到这种不确定性。: 一个用于决定协方差的函数，又称作covariance function。：输出尺度控制了函数值的变化范围。较大的输出尺度将导致函数值变化的范围更大。kernel输入为两个样本点，输出一个表示两个点的相似程度的标量值。

原创 SAT与SMT

SAT求解器用于解决可满足性问题，即确定给定的逻辑公式是否有解。这些求解器通常用于处理布尔逻辑表达式，尝试找到使整个表达式为真的变量赋值。Python中有几个库可以与SAT求解器交互，例如PySAT。下面是一个使用PySAT库的简单示例。首先，确保已经安装了python-sat库。在此示例中，我们首先从导入了Glucose3SAT求解器。然后，我们创建了一个Glucose3求解器实例，并添加了一些子句。每个子句是一个布尔表达式的一部分，它是一个变量的析取（或）。我们使用add_clause。

原创 【Python学习笔记】魔术方法

开始和结束的特殊方法。这些方法有特殊的含义，通常用于实现类的某些特殊行为。等，可用于实现各种自定义行为和操作。通过合理地使用这些魔术方法，可以创建具有丰富功能和良好接口的自定义对象。在Python中，"魔术"方法或魔术函数是指以双下划线(这些只是魔术方法的一些示例，还有许多其他的魔术方法，例如。

原创 【阅读随笔】Safe reinforcement learning under temporal logic with reward design and quantum action selecti

今天读一篇来自Nature最水子刊SR的作品，名字中的量子动作选择听起来非常高大上，来看看是个什么东西。

原创 【阅读随笔】Quantitative Robustness for Signal Temporal Logic with Time-Freeze Quantifiers

通过添加time-freeze算则，提出了一种比STL表达能力更强的时序逻辑。

原创 【阅读随笔】Modularized Control Synthesis for Complex Signal Temporal Logic Specifications

又是一篇有关STL任务分解的文章。

原创 【阅读随笔】Fast Decomposition of Temporal Logic Specifications for Heterogeneous Teams

这是的前传，基于SMT完成STL公式的分解。

原创 【阅读随笔】Rewrite-Based Decomposition of Signal Temporal Logic Specifications

多智能体 STL任务分解。

原创 【阅读随笔】Transfer of temporal logic formulas in reinforcement learning

从轨迹中推理出MITL公式判断是否可以迁移对于原任务和目标任务，对每个子公式构建timed automaton原任务在构建的automaton上进行强化学习建立原任务和目标任务的映射，把Q表迁移至目标任务在迁移过来的Q表的基础上继续进行强化学习结果：在两个相近的任务间进行迁移学习，采样效率最多能提高一个量级高层信息的结合能够大大提高强化学习的采样效率源任务：先去绿色区域待够4秒，再在40秒内到达黄色区域目标任务：先去绿色区域待够5秒，再在40秒内到达黄色区域机器人事先不知道绿色和黄色区域的位置40秒时完成任

原创 【课程整理】随机系统期末整理

概率空间的三要素：(Ω,F,P)\Omega,\mathcal{F},P)Ω,F,P) ⇒\Rightarrow⇒ (样本，事件，概率测度)样本：实验的实际结果事件：样本空间的一个子集，可以理解为使用一个谓词对样本的归类/判别σ\sigmaσ​域要求定义的事件空间是一个σ\sigmaσ域，应该满足的条件：σ\sigmaσ域体现了对样本辨别的精度: 原子(atom)事件的精度最小 σ\sigmaσ 域概率测度：将事件映射到概率的函数 P:F→[0,1]P:\mathcal{F}\rightarrow [0,1

原创 【阅读随笔】Reinforcement Learning for Signal Temporal Logic using Funnel-Based Approach

这期区分funnel和funnel函数两个概念，上面的这个指数函数成为funnel函数，formulation中的不等式成为funnel.Funnel相当于是用一种启发式的方法限制了robustness的大小，对于eventually这样的算子强行启发出了过零点，有一点点扯。强化学习的作用不是很清晰，reward看起来给的是单步reward，但是funnel函数中存在需要整条轨迹才能确定的参数。，也就是说当前信号的鲁棒值需要处于以下的funnel内。是根据整条轨迹上鲁棒度的极值确定的。

原创 【图像分割】区域生长算法 region grow

记录一下图像处理课的小作业，由于还没有到截止时间（12.17号再贴出来）代码就就先不放出来啦区域生长算法的基本思想是将有相似性质的像素点合并到一起。对每一个区域要先指定一个种子点作为生长的起点，然后将种子点周围领域的像素点和种子点进行对比，将具有相似性质的点合并起来继续向外生长，直到没有满足条件的像素被包括进来为止。步骤一：对图像进行高斯平滑步骤二：通过交互操作在图中选取种子点作为初始待处理点，用红色圆圈在原图上标注。步骤三：遍历待处理点的8邻域，判断是否满足合并条件，如满足则拷贝下该点的灰度值。步骤四：查

原创 【阅读随笔】Time-Incremental Learning from Data Using Temporal Logics

好久没看文献了，来更一篇time-variant weights of STLweights are learned by NN通过决策树方法学出一系列STL约束通过计算信号前缀相对于STL约束的加权鲁棒度来对信号前缀进行分类在每个时间点学一个wSTL来分类，有点无聊前期的决策时间点太少了吧，在第一个决策点之前都是盲猜啊数据集：等长的带标签信号数据不是一次性获取，在收集信号的过程中给信号分类最小化每个时刻的误分类率找决策时间点一种基于信号间距离度量的启发式方法positive-negtive distanc

原创 【阅读随笔】Learning Signal Temporal Logic through Neural Network for Interpretable Classification

好久没有关注时序逻辑推理相关的文章了，这篇写得还不错，有点小bug但值得借鉴。实在不知道zotero带图片的笔记该怎么导出，直接粘图片凑合存个档。

原创 【阅读随笔】Model-based Reinforcement Learning from Signal Temporal Logic Specifications

参考文献： P. Kapoor, A. Balakrishnan, and J. V. Deshmukh, “Model-based Reinforcement Learning from Signal Temporal Logic Specifications.” arXiv, Nov. 10, 2020. doi: 10.48550/arXiv.2011.04950.

原创 【阅读随笔】Model predictive control with signal temporal logic specifications

使用MILP对STL约束进行编码的经典文章

原创 【阅读随笔】神经网络与参数学习 Neural Network for Weighted Signal Temporal Logic

首先由时间序列的分类问题引出现有机器学习分类方法的不足——可解释性差，并提出时序逻辑的解决方案，引出时序逻辑的分支——STL，并举例了几种量化满足程度的方法及其缺点。其中传统的基于min/max算子的鲁棒方法非凸、非平滑，且其满足程度仅取决于一个信号点，而没有利用到整体。为了解决这个问题，后来提出了wSTL，但是其信号上的权重定义存在bug(1)权重为0的信号点仍能影响总的鲁棒度(2)并不是权重越高的信号点对总鲁棒度的影响越大。提出了一种新的量化语义提出了wSTL-NN框架。...

原创 【论文精读】时序逻辑推理之时序神经网络 Interpretable Fault Diagnosis of Rolling Element Bearings with TLNN

前言：师兄组会上的一篇文章, 给结构学习提供了新思路, 自己仔细读一读记点笔记.主要参考文献:Chen, G., Lu, Y., Su, R., & Kong, Z. (2022). Interpretable Fault Diagnosis of Rolling Element Bearings with Temporal Logic Neural Network. ArXiv. https://doi.org/10.48550/arXiv.2204.07579文章目录概览流水账笔记1

原创 【论文随笔】强化学习与奖励机 LTL and Beyond: Formal Languages for Reward Function Specification in RL

这篇文章提出了奖励机（Reward Machine）的概念，用自动机来表示强化学习中的奖励机制强化学习

原创 【论文精读】时序逻辑推理之不确定性 Uncertainty-aware Signal Temporal Logic Inference

前言：这是一篇由于实在看不懂而决定中途断更的文章.主要参考文献：Baharisangari, N., Gaglione, J.-R., Neider, D., Topcu, U., & Xu, Z. (2021). Uncertainty-Aware Signal Temporal Logic Inference.文章目录概览流水账笔记1 Introduction问题背景本文工作相关研究2 PreliminariesFinite trajectoriesIntervals and inte

原创 【论文精读】时序逻辑推理之反向传播参数学习 Backpropagation for Parametric STL

前言：借这里汇报一下毕业论文的进度，结构学习部分的论文和代码已经完成98%，现在回头搞参数学习发现现在掌握的方法都不能很好地契合毕设的整体结构。因此现在飞速地多看几篇，争取本周完工。主要参考文献：Leung, K., Arechiga, N., & Pavone, M. (2019, June). Backpropagation for Parametric STL. 2019 IEEE Intelligent Vehicles Symposium (IV). https://doi.org/

原创 【论文精读】时序逻辑推理之基于梯度的参数优化 TeLEx: Passive STL Learning Using Only Positive Examples

前言:之前精读了两篇参数学习的文章, 算法的运行效果不尽人意, 并且最终也没有得出最佳参数. 这篇文章提出用优化算法来直接计算出, 因此特地读来看看.主要参考文献:Jha, S., Tiwari, A., Seshia, S. A., Sahai, T., & Shankar, N. (2017). TeLEx: Passive STL Learning Using Only Positive Examples. In Runtime Verification (pp. 208–224).

原创 【论文精读】时序逻辑应用之模型预测控制Model Predictive Control with Signal Temporal Logic Specifications

前言：因为天天写代码实在是太枯燥了，所以读点其他东西来调剂一下，这样科研进度不至于停下。前面读了几篇关于时序逻辑学习的文章，今天来了解一下时序逻辑公式在控制中的应用。Raman, V., Donze, A., Maasoumy, M., Murray, R. M., Sangiovanni-Vincentelli, A., & Seshia, S. A. (2014, December). Model predictive control with signal temporal logic s

原创 【论文精读】时序逻辑推理之决策树方法 A Decision Tree Approach to Data Classification using Signal Temporal Logic

前言：基于决策树的结构学习方法在最近的文献中比较普遍，今天来精读一下这篇文章。主要参考文献：Bombara, G., Vasile, C.-I., Penedo, F., Yasuoka, H., & Belta, C. (2016, April 11). A Decision Tree Approach to Data Classification using Signal Temporal Logic. Proceedings of the 19th International Confe

原创 【论文精读】时序逻辑推理之无监督的异常检测 Anomaly Detection in Cyber-Physical Systems: A Formal Methods Approach

前言：这是上一篇文章Temporal logic inference for classification and prediction from data的姊妹篇，出自于同一课题组的研究人员，文章比较短，重复的部分比较多，就顺便读掉了。主要参考文献：A. Jones, Z. Kong and C. Belta, “Anomaly detection in cyber-physical systems: A formal methods approach,” 53rd IEEE Conference

原创 【论文精读】时序逻辑推理之结构学习 Temporal logic inference for classification and prediction from data

前言：前面复现的两篇文章都是基于已知的公式模板进行的参数学习，然而在工程应用和科学研究时，不知道系统规律才是常态。对于一段信号，实现从一无所知到洞悉规律，才是时序逻辑学习终止需要达到的效果。主要参考文献：Kong, Z., Jones, A., Medina Ayala, A., Aydin Gol, E., & Belta, C. (2014, April 15). Temporal logic inference for classification and prediction from

原创 【论文精读】时序逻辑推理之高效的参数学习 Efficient Parametric Identification for STL

前情提要：由于上一篇文章Parametric Identification of Temporal Properties中的算法效率复杂度过高，因此找到了这一篇文献看看是否有更高效的算法。主要参考文献：Alexey Bakhirkin, Thomas Ferrère, and Oded Maler. 2018. Efficient Parametric Identification for STL. In Proceedings of the 21st International Conference

原创 【论文精读】时序逻辑推理之参数学习 Parametric Identification of Temporal Properties

文章目录本文主要任务参考文献:Asarin, E., Donzé, A., Maler, O., & Nickovic, D. (2012). Parametric Identification of Temporal Properties. In Runtime Verification (pp. 147–160). https://doi.org/10.1007/978-3-642-29860-8_12本文主要任务根据STL公式模板推理出满足dense-time......

原创 PDF颜色翻转以方便打印处理

用于将黑色背景的pdf笔记转成白色背景，方便打印使用到PyMuPDF库pip install PyMuPDF代码如下import datetimeimport osfrom PIL import Imageimport PIL.ImageOps import globimport fitzdef pyMuPDF_fitz(pdfPath, imagePath): startTime_pdf2img = datetime.datetime.now() # 开始时间

原创 基于Tensorflow Object Detection API的宠物检测实践

使用Tensorflow Object Detection API进行宠物检测API简介一个很方便的物体检测模型训练、推理API, 很适合深度学习新手使用。建议搭配图书教程《深度学习图像识别技术：基于Tensorflow Object Detection API 与OpenVINO工作条件》食用文章目录使用Tensorflow Object Detection API进行宠物检测API简介官方教程1. 环境安装2. git获取代码3. 相关接口封装4. 开始检测5.最终结果官方教程https

原创 数字图像处理之浮雕效果——基于傅里叶变换的频域操作

信号与系统课程的一个课后作业，要求运用傅里叶变换的理论知识，在matlab中对数字图像进行浮雕效果的处理。数字图像处理中，浮雕效果的实现是其中一个基础的操作，其效果如下图中所示。原图浮雕效果图浮雕效果的实现有多种途径，学习过深度学习的同学们可能会想到使用少量的简单核对图像进行卷积操作，吴恩达老师在DeepLearning.ai系列课程中有相应的讲解。B站传送门在这里：https://w...

原创 改进单纯形法的MATLAB实现

改进单纯形法改进在哪里？

原创 ImportError: No module named learning_topic.msg解决方法

python实现自定义话题信息的发布与订阅，话题import失败Traceback (most recent call last): File "/home/wsq/catkin_ws/src/learning_topic/scripts/person_publisher.py", line 4, in <module> from learning_topic.msg i...

原创 LaTex语法速查

原创 Linux学习笔记之数据库

#include<stdio.h>#include<sqlite3.h>#include<stdlib.h>#define DATABASE "student.db"char *errmsg;int do_insert(sqlite3 * db){ int id; char name[32] = {}; int scor...

原创 Linux学习笔记之IO编程

原创 Ubuntu下的Shell脚本编程

个性化编译器的配置编写脚本前先配置一个舒服的编程环境首先，设置Terminal的界面偏好，在Edit下找到Profile Preference，并更改字体、背景、光标等相关设置（默认的字体实在是太小了）接下来，简单更改一下vim的配置文件$ vim ~/.vimrc #在用户主目录下创建一个vim的配置文件在文件中写入以下代码set lines=24 columns=80sy...

原创 MNIST训练笔记

导入库文件import matplotlib as mplimport matplotlib.pyplot as pltimport numpy as npimport sklearnimport pandas as pdimport osos.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'import sysimport timeimport ...