物理思想方法管理论文提纲

论文题目：大数据驱动的信息物理融合系统的软件定义建模方法

摘要：信息物理融合系统（Cyber-Physical System,CPS）通过各种传感器将信息世界与物理世界深度融合起来,改变了人与物理世界的交互方式。随着人类社会的发展与进步,数据的产生呈指数级增长,使得CPS面临着巨大的挑战。首先,CPS作为一个嵌入式系统,其本身的存储能力与计算能力有限,如何存储和计算海量的CPS数据是其面临的一个挑战。其次,CPS是一个结合了计算、通信与控制的3C系统,随着CPS种类与数量的增加,如何对这些CPS节点进行控制与管理是其面临的另一个挑战。针对这两个问题,结合大数据技术与软件定义的思想,提出一种大数据驱动的信息物理融合系统的软件定义建模方法。首先,利用软件定义的思想,将控制层从CPS物理设备中分离出来,并由控制中心进行集中控制与管理。然后,利用云计算对这些数据进行分析与处理,再将处理好的结果反馈到控制中心,实现对物理设备的控制与管理。该体系结构将大数据技术与软件定义深度结合到CPS中,改变了传统CPS数据存储与计算方式以及CPS之间的交互方式。最后,将该CPS体系结构应用到车联网系统中,提出一种五层的车联网CPS体系结构,分别包括应用层、云计算层、控制层、路边单元层以及车联网车载单元层。为了验证大数据驱动的车联网CPS的软件定义建模方法的有效性与准确性,本文主要做了如下两方面的工作:（1）采用体系结构分析与设计语言（Architecture Analysis＆Design Language,简称AADL）对大数据驱动的车联网CPS系统进行软件定义建模,分别对该车联网体系结构每一层构建一个子系统,并对每个子系统通过添加AADL附件的方式进行端到端流分析以及模型整体结构设计安全性分析,验证了大数据驱动的车联网CPS软件定义建模方法的有效性;（2）以车联网系统中的车载传感器数据为实例,提出一种基于残差结构的神经网络数据处理模型。通过与K最近邻（KNN）、随机森林（Random Forest）、决策树（Decision Tree）、传统的神经网络模型（Deep Neural Network）等方法作对比。实验结果表明基于残差结构的神经网络模型精度都优于这些方法,验证了基于残差结构的神经网络模型对数据分析与处理方面的准确性,提高了车联网CPS数据分析与处理能力。通过结合大数据技术与软件定义的思想,提出了一种新的车联网CPS体系结构,有效解决了CPS中数据存储不足以及自动化水平不高的问题。

关键词：信息物理融合系统;体系结构分析与设计语言;软件定义;大数据;车联网

学科专业：软件工程

摘要

ABSTRACT

第一章 绪论

1.1 研究背景及意义

1.2 国内外研究现状

1.3 论文研究内容

1.4 论文组织结构

第二章 相关技术概念

2.1 信息物理融合系统

2.1.1 CPS的特征

2.1.2 CPS体系结构

2.1.3 CPS面临的挑战

2.2 大数据

2.2.1 大数据的基本概念及特征

2.2.2 大数据、云计算与人工智能

2.3 软件定义

2.4 大数据与软件定义

2.5 大数据、软件定义与CPS

2.6 建模语言

2.6.1 AADL建模语言

2.6.2 OSATE2平台

第三章 大数据驱动的CPS软件定义建模方法

3.1 CPS的物理构成

3.2 CPS的原型系统结构

3.3 大数据驱动的CPS体系结构

3.4 软件定义的CPS体系结构

3.5 大数据驱动的CPS软件定义体系结构

第四章 基于AADL的车联网CPS的软件定义建模分析

4.1 车联网CPS架构

4.2 AADL建模分析

4.3 系统非功能特性描述

4.3.1 数据流分析

4.3.2 系统安全性分析

第五章 基于神经网络的车联网CPS数据建模方法

5.1 基于大数据的CPS数据处理模型

5.2 基于Modelica的车辆传感器建模

5.2.1 Dymola介绍

5.2.2 车辆传感器建模

5.3 神经网络模型

5.3.1 神经网络模型的Modelica表示

5.3.2 神经网络模型的数学表示

5.3.3 损失函数

5.3.4 模型评价指标

5.4 数据集

5.4.1 数据集采集

5.4.2 数据预处理

5.4.3 数据可视化

5.5 神经网络模型结构

5.6 模型整体结构设计

5.7 实验结果

结论

参考文献

致谢