Recursive Binary Identification under Data Tampering and Non-Persistent Excitation with Application to Emission Control
Jian Guo, Lihong Pei, Wenchao Xue, Yanlong Zhao, Ji-Feng Zhang
本文研究了具有二进制输出的网络物理系统的在线参数估计问题,这些输出可能受到对抗性数据篡改。 现有方法主要是离线的,不适合实时学习。 为了解决这个问题,我们首先开发了一个基于一阶梯度的算法,该算法使用传入的数据递归地更新参数估计值。 考虑到在反馈控制场景中难以满足持续激发(PE)条件,提出了二阶准牛顿算法,以实现更快的收敛,而无需PE条件。 对于这两种算法,都开发了相应的版本来处理已知和未知的篡改策略,并且它们的参数估计几乎肯定会随着时间的推移而收敛。 特别是,二阶算法确保在与随机回归模型中经典最小二乘估计所需的最小激发相匹配的信号条件下的收敛。 二阶算法也扩展到自适应控制框架,为未知篡改下的二进制输出FIR系统的跟踪误差提供了明确的上限。 三个数值模拟验证了理论结果,并表明所提出的方法对数据篡改是健壮的。 最后,该方法通过车辆排放控制问题进行验证,从而有效地提高了超排放事件的检测准确性。
This paper studies the problem of online parameter estimation for cyber-physical systems with binary outputs that may be subject to adversarial data tampering. Existing methods are primarily offline and unsuitable for real-time learning. To address this issue, we first develop a first-order gradient-based algorithm that updates parameter estimates recursively using incoming data. Considering that persistent excitation (PE) conditions are difficult to satisfy in feedback control scenarios, a seco...
