Resilient Distributed State Estimation for LTI Systems Under Time-Varying Deception Attacks
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
This article studies the resilient distributed state estimation over the sensor networks under measurement attacks, which make the measurements of variant subsets of sensors aberrant at different time instants. For this problem, while most of the existing works focus on the static target states that do not change over time, we investigate the estimation for the dynamic ones, which evolve according to general linear time-invariant (LTI) systems. To achieve the resilient distributed state estimation for the general LTI systems under the measurement attacks, we propose a dynamic-target regulative gain estimation (DTRGE) algorithm, in which an attack detector, a regulative gain matrix, and an adaptive gain are designed. The detector helps agents monitor the measurement anomalies, and once the attacks are detected, the adaptive gain can counteract the deviation of the estimates induced by them. The regulative gain matrix restrains the negative effects on the convergence of the estimates caused by the system matrix of the target LTI system, especially the unstable one. We demonstrate that all the sensors can recover the target state by running the DTRGE algorithm, if the topology and the observability of the sensor network satisfy certain conditions. Moreover, we further apply the DTRGE algorithm to the sensor networks with switching topologies, and demonstrate that the estimation task can also be completed by these sensors. Finally, simulation and experiment results are given to illustrate the performance of the DTRGE algorithm.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle