信息物理系统技术现状分析与趋势综述

杨挺; 刘亚闯; 刘宇哲; 王成山

doi:10.11999/JEIT211135

信息物理系统技术现状分析与趋势综述

doi: 10.11999/JEIT211135

杨挺^{1, 2, ,},
刘亚闯²,
刘宇哲²,
王成山^{1, 2}

1.
天津大学智能电网教育部重点实验室天津市 300072
2.
天津大学电气自动化与信息工程学院天津市 300072

基金项目: 国家重点研发计划(2017YFE0132100)，国家自然科学基金(61971305)

详细信息

作者简介:
杨挺：男，1979年生，博士，教授，主要研究方向为电力信息物理系统、智能配用电、人工智能与大数据等

刘亚闯：男，1989年生，博士生，主要研究方向为电力信息物理系统、智能配用电控制等

刘宇哲：男，1998年生，硕士生，主要研究方向为电力信息物理系统、智能配用电控制等

王成山：男，1962年生，博士，中国工程院院士，主要从事配电系统规划与运行、电网安全性与稳定性、分布式能源与微电网等

通讯作者:
杨挺　yangting@tju.edu.cn

中图分类号: TP29
计量
- 文章访问数: 5445
- HTML全文浏览量: 2353
- PDF下载量: 847
- 被引次数: 1
出版历程
- 收稿日期: 2021-10-01
- 修回日期: 2021-10-15
- 网络出版日期: 2021-10-20
- 刊出日期: 2021-12-10

Review on Cyber-Physical System: TechnologyAnalysis and Trends

Ting YANG^{1, 2
, ,},
Yachuang LIU²,
Yuzhe LIU²,
Chengshan WANG^{1, 2}

1.
Key Laboratory of the Ministry of Education on Smart Grids, Tianjin University, Tianjin 300072, China
2.
School of Electrical Engineering and Automation, Tianjin University, Tianjin 300072, China

Funds: The National Key R&D Program of China(2017YFE0132100), The National Natural Science Foundation of China (61971305)

摘要

摘要: 随着国民经济中各个产业信息化程度的提升和产业间深度交叉融合，信息物理系统(Cyber-Physical System, CPS)正成为支撑这一发展的关键技术，也被誉为是引领全球新一轮产业技术变革的核心体系。通过将客观物理世界中实体、行为以及交互环境等精准映射至信息空间，进行实时处理并反馈回物理空间，CPS能够从系统视角和不同层面解决复杂系统的分析建模、决策优化、不确定处理等难题。该文从CPS的体系架构和设计开发流程分析了其关键技术和难点瓶颈，探讨了CPS与边云协同计算、数字孪生、人工智能和区块链等前沿技术间相互支撑关系，综述了CPS在工业生产、能源电力、交通驾驶和医疗健康4个应用领域研究现状。最后，对CPS未来的技术发展进行了展望。以希望为信息物理系统及相关研究领域的专家和学者提供参考，为我国产业科技变革和智能化转型提供技术支持。
- 信息物理系统 /
- 技术综述 /
- 智能感知 /
- 分布式控制 /
- 人工智能 /
- 形式化验证
Abstract: With the improvement of the informatization degree of various industries in the national economy and the deep cross integration between industries, the Cyber-Physical System (CPS) is becoming the key technology to support this development. It is also known as the core system leading a new round of industrial technology reform in the world. By accurately mapping the entities, behaviors and interactive environment in the objective physical world to the information space, real-time processing and feedback back to the physical space, CPS can solve the problems of analysis and modeling, decision optimization and uncertainty processing of complex systems from a system perspective and different levels. This paper analyzes the key technologies and difficult bottlenecks of CPS from its architecture, design and development process, discusses the supportive relationship between CPS and cutting-edge technologies such as edge cloud collaborative computing, digital twins, artificial intelligence and blockchain, and summarizes the research status of CPS in four application fields: industrial production, energy and electricity, traffic and medical health. Finally, the future technical development of CPS is prospected. It is hoped to provide reference for experts and scholars in CPS fields, and provide technical support for China's industrial scientific and technological revolution and intelligence transformation.
- Cyber-Physical System (CPS) /
- Review /
- Intelligent perception /
- Distributed control /
- Artificial Intelligence (AI) /
- Formal verification

HTML全文

1. 引言

脑出血 (IntraCerebral Hemorrhage, ICH)是由于脑内血管破裂或渗透引发的出血性病变，占脑卒中的15%～20%，其死亡率高达50%，是一种严重危及生命的疾病^[1]，对于脑出血疾病，早期、准确的检测及诊断对挽救患者生命至关重要，后面持续开展对脑出血病变的监测对于有效治疗也具有重大意义^[2]。

传统的医学影像检测技术有计算机断层成像 (Computed Tomography, CT)、磁共振成像 (Magnetic Resonance Imaging, MRI)和光学相干层析成像 (Optical Coherence Tomography, OCT)^[3,4]。CT重建图像的分辨率较高但病灶和背景间对比度低，且辐射剂量较大，MRI能对软组织成像且无放射性损害，但伪影也较CT多^[5]，OCT多用于眼底疾病的成像检测，也被证明其用于脑出血检测的可行性，但其穿透深度较低无法检测深层的颅脑疾病^[6]。此外，CT和MRI设备庞大，成本高、成像时间长，在紧急情况下应用受到限制，无法给患者提供快速的检测和诊断及实时和持续的监测^[3]。磁感应断层成像 (Magnetic Induction Tomography, MIT)是一种基于电磁检测原理对人体的被动电磁特性进行成像的功能性成像技术，具有非接触、安全无创、低成本、便携、无需耦合剂、可持续监测等特点^[7]。MIT因其产生的激励磁场能够穿透低电导率的头皮和颅骨，在医学成像领域有着巨大的潜在优势，能实现对脑出血的早期诊断和床旁实时、长期、无创的监测^[8]。因此，将MIT用于脑出血成像对脑出血的治疗、监测具有重大意义。

近年来，很多学者对脑出血MIT开展了研究。由于颅脑组织的复杂结构及其各向异性使正问题的求解变得十分困难，目前在脑出血MIT建模与仿真计算的研究中多使用简化的脑模型，如2维同心圆、3维同心球及圆柱模型等^[9-12]，与实际头部几何结构相差较大，在求解正问题时不可避免会带来相应的计算误差，导致后续图像重建结果误差增大；在MIT图像重建的研究中，柯丽等人^[13,14]建立包含头皮、颅骨、脑实质、脑出血的颅脑模型，并在其基础上进行了脑组织的阻抗分析，利用改进反投影算法进行图像重建，文献[8,15,16]对多频成像方法及线圈阵列方式进行了研究，并采用Tikhonov算法进行图像重建，Zhang等人^[17]提出了一种自适应阈值的分裂布雷格曼 (Split Bregman, SB)算法，降低了重建图像的噪声和面积误差，但并未分析重建图像的相关系数且最低只能对4 ml的脑出血进行成像，Chen等人^[18]提出了一种自适应阈值优化的Tikhonov算法，实现了不同出血量脑出血的成像，但重建图像的相关系数有待提高，周曦等人^[19]从初始值和正则化因子选取、灵敏度矩阵更新策略以及图像阈值优化等4个方面对牛顿-拉夫逊 (Newton Raphson, NR)算法进行改进，实现了不同噪声的图像重建，但重建图像质量还有待提高，Han等人^[12]在NR算法目标函数中加入加权矩阵和L1范数惩罚项提高了对脑出血图像重建的精度，但增大了计算量，算法收敛较慢。从上述研究可以看出，线性反投影 (Linear Back Projection, LBP)算法和Tikhonov正则化算法等单步图像重建算法可直接求解场域内的电磁特性分布，成像速度较快，但图像重建质量相对较低；Landweber算法、NR算法和共轭梯度最小二乘法 (Conjugate Gradients Least Squares, CGLS)等迭代图像重建算法需不断迭代求解场域内的电磁特性分布，成像速度比单步成像算法慢，但图像重建质量相对较高，在迭代图像重建算法中，NR算法应用最为普遍，其成像质量相对较高，收敛性相对其他迭代图像重建算法较好，但在脑出血MIT中由于组织的电导率极小，发生脑出血时测量数据较小的变化会对重建结果产生较大的影响，导致算法的稳定性和收敛性较差，目标与背景间伪影较大，图像重建质量也有待提高，因此有必要对其进行改进，提高其稳定性、收敛性和重建质量，同时高质量的重建图像也为后续的医学图像处理及临床中进行辅助诊断和评估患者预后提供基础^[20]。

针对上述问题，为提高解的稳定性和重建图像的质量，本文提出一种改进的NR算法，在目标函数中加入自适应加速正则化惩罚项和L2范数正则化惩罚项，并引入投影算子P施加物理意义上的约束，提高算法每一步迭代的效率，减少重建图像的伪影，改善成像质量；其次为验证算法在脑出血MIT中的实用性以及提高脑模型的真实性，构建了包含头皮、颅骨、脑脊液和脑实质4种组织的真实3维颅脑模型，并开展了3个位置处出血量各为24 ml, 14 ml, 2 ml的脑出血仿真实验，通过模型计算得到图像重建所需的相位差检测值和灵敏度矩阵，然后利用改进NR算法与Tikhonov, Landweber, NR, CGLS、优化迭代策略的NR等算法分别对设置的脑出血进行磁感应断层成像，验证所提算法的有效性。

2. 脑出血MIT检测原理

脑出血MIT检测的基本原理：采用电磁感应原理，向激励线圈中通入正弦交流电，激励线圈在被测区域内产生初级交变磁场 ${{{\boldsymbol{B}}}_0}$ ，初级交变磁场 ${{{\boldsymbol{B}}}_0}$ 作用于人脑时，会在脑组织中感应出涡流，从而产生次级磁场 $\Delta {{\boldsymbol{B}}}$ ，在不同病理状态下次级磁场 $\Delta {{\boldsymbol{B}}}$ 的值会发生改变，可通过检测线圈得到初级磁场 ${{{\boldsymbol{B}}}_0}$ 和叠加磁场 ${{{\boldsymbol{B}}}_0} + \Delta {{\boldsymbol{B}}}$ 之间的相位差 $\Delta {{\boldsymbol{\varphi }}}$ ，再通过图像重建算法得到成像域内的电导率分布图像，进而通过电导率分布图像诊断脑出血的严重程度。MIT的基本原理及初、次磁场关系如图1所示。

图 1 MIT的基本原理及初、次磁场间关系

下载: 全尺寸图片幻灯片

对于较小的电导率扰动 $\Delta {{\boldsymbol{\sigma}} }$ ， $\Delta {{\boldsymbol{\varphi}} }$ 和 $\Delta {{\boldsymbol{\sigma}} }$ 间的关系可以简化为近似离散线性方程^[21]

$\Delta {{{\boldsymbol{\varphi}} }_{M \times 1}}{ = }{{{\boldsymbol{S}}}_{M \times N}} \cdot \Delta {{{\boldsymbol{\sigma}} }_{N \times 1}} + {{\boldsymbol{v}}}$

(1)

其中， $\Delta {{{\boldsymbol{\varphi }}}_{M \times 1}} \in {\boldsymbol{R}}$ 是线圈测量相位差， ${{{\boldsymbol{S}}}_{M \times N}} \in {\boldsymbol{R}}$ 是灵敏度矩阵或雅可比矩阵，表示成像区域内电导率分布变化引起的线圈检测相位差变化率^[21]， $\Delta {{{\boldsymbol{\sigma}} }_{N \times 1}} \in {\boldsymbol{R}}$ 是被测区域内的电导率分布变化， $M$ 是激励-检测线圈组合数量， $N$ 是被测域内的网格数量， ${\boldsymbol{{v}}}$ 是噪声。

脑出血MIT是将通过模型或实验获得的检测值 $\Delta {{\boldsymbol{\varphi}} }$ 和成像域内的灵敏度矩阵 ${{\boldsymbol{S}}}$ 求解未知的电导率特性分布 $\Delta {{\boldsymbol{\sigma}} }$ ，但是由于MIT中线圈数量有限，因此线圈检测值 $\Delta {{\boldsymbol{\varphi}} }$ 的数量远远小于待求解的电导率特性分布 $\Delta {{\boldsymbol{\sigma }}}$ 的数量，同时 $\Delta {{\boldsymbol{\varphi }}}$ 的微小变化将对 $\Delta {{\boldsymbol{\sigma}} }$ 的值产生较大影响，因此式(1)是一个欠定、病态的方程，需要通过一定的图像重建算法进行求解，将求解得到的 $\Delta {{\boldsymbol{\sigma}} }$ 按幅值大小可绘制成反映脑出血情况的图像。

3. 改进的Newton-Raphson图像重建算法

脑出血MIT图像重建是根据检测信号和场域内的灵敏度分布重建头部不同组织中的电导率特性分布。NR算法的基本思想是不断迭代更新电导率分布值，寻找电导率分布的最优解，使得目标函数的值最小^[22]。采用NR算法求解MIT图像重建问题时通常以相位差测量值和计算值的误差范数平方作目标函数

$\Delta \mathop {{\boldsymbol{\sigma}} }\limits^ \sim = \arg \min \left( {\frac{1}{2}\left\| {{\boldsymbol{F}}(\Delta {{\boldsymbol{\sigma}} }) - \Delta {{\boldsymbol{\varphi}} }} \right\|_2^2} \right)$

(2)

其中， ${\boldsymbol{F}}(\Delta {{\boldsymbol{\sigma}} })$ 和 $\Delta {{\boldsymbol{\varphi}} }$ 分别是相位差的计算值和测量值，NR算法的迭代公式为

$\Delta {{\boldsymbol{\sigma}}}_{{k+}1}=\Delta {{\boldsymbol{\sigma}}}_{{k}}-{\boldsymbol{H}}_{k}^{-1}\nabla {f}(\Delta {{\boldsymbol{\sigma}}}_{{k}})$

(3)

其中， $\Delta {{\boldsymbol{{\sigma}} }_{{k + }1}}$ 是待求解的成像区域内电导率分布变化， $\nabla {f}(\Delta {{\boldsymbol{\sigma}}}_{{k}})$ 是梯度方向， ${{{\boldsymbol{H}}}_k}$ 是Hessian矩阵。

NR算法每一步迭代都需要求解目标函数的2阶偏导数，计算复杂度较大，同时Hesse矩阵具有较严重的病态性，尤其在脑出血MIT时生物组织的电导率极小，脑出血测量数据较小的变化会对重建结果产生较大的影响，导致算法的稳定性和收敛性较差，重建图像中背景与脑出血间的伪影较大。

采用优化方法求解式(2)的过程是不稳定的，通过在目标函数中增加L2范数正则化惩罚项 $\alpha \left\| {{{\boldsymbol{R}}}\Delta {{{\boldsymbol{\sigma}} }_k}} \right\|_2^2$ 来降低解的不稳定性，同时为了提高NR算法中每步迭代的计算效率，提高图像重建质量，在目标函数中加入与前一刻计算结果相关的自适应加速正则化惩罚项 ${\beta _k}\left\| {\Delta {{{\boldsymbol{\sigma}} }_k} - \Delta {{{\boldsymbol{\sigma}} }_{k - 1}}} \right\|_2^2$ 进行约束，加快算法的收敛速度，该惩罚项在目标函数中的权重随着迭代次数的增加而自适应改变，改进算法的目标函数为

$\begin{split} \Delta \mathop {{\boldsymbol{\sigma}} }\limits^ \sim =& {\text{arg}}\min \frac{1}{2}\left\{ {\left\| {{\boldsymbol{F}}(\Delta {{\boldsymbol{\sigma}} }) - \Delta {{\boldsymbol{\varphi }}}} \right\|_2^2} \right. \\ & + \left. {{\beta _k}\left\| {\Delta {{{\boldsymbol{\sigma}} }_k} - \Delta {{{\boldsymbol{\sigma}} }_{k - 1}}} \right\|_2^2 + \alpha \left\| {{{\boldsymbol{R}}}\Delta {{{\boldsymbol{\sigma}} }_k}} \right\|_2^2} \right\} \end{split}$

(4)

其中， ${\boldsymbol{F}}(\Delta {{\boldsymbol{\sigma}} })$ 是相位差计算值， $\Delta {{\boldsymbol{\varphi}} }$ 是相位差检测值， ${\beta _k}$ 是自适应加权系数，随着迭代次数的增加而自适应改变该惩罚项的权重， $\Delta {{{\boldsymbol{\sigma}} }_k}$ 是当前时刻电导率分布变化， $\Delta {{{\boldsymbol{\sigma}} }_{k - 1}}$ 是前一时刻电导率分布变化， $\alpha > 0$ ，是用于控制解平滑性和连续性的正则化参数，从理论上确定其值较为困难，一般根据经验进行设定， ${{\boldsymbol{R}}}$ 是正则化矩阵，一般为单位矩阵。将式(4)展开并求其下降梯度 $\nabla {f}(\Delta {\boldsymbol{\sigma}}_{{k}})$ 和Hesse矩阵 ${{{\boldsymbol{H}}}_k}$

$\begin{split} \nabla {f}\left( {\Delta {{\boldsymbol{\sigma}}_{k}}} \right) =& {\left( {{\boldsymbol{F}}'\left( {\Delta {\boldsymbol{\sigma}}} \right)} \right)^{\text{T}}}\left( {{\boldsymbol{F}}(\Delta {\boldsymbol{\sigma}}) - \Delta {{\boldsymbol{\varphi}} }} \right) \\ & + {\beta _k}\left( {\Delta {{\boldsymbol{\sigma}}_k} - \Delta {{\boldsymbol{\sigma}}_{k - 1}}} \right) + \alpha {{{\boldsymbol{R}}}^{\text{T}}}{{\boldsymbol{R}}}\Delta {{\boldsymbol{\sigma}}_k} \end{split}$

(5)

${{{\boldsymbol{H}}}_k} = {\left( {{\boldsymbol{F}}'\left( {\Delta {{\boldsymbol{\sigma}} }} \right)} \right)^{\text{T}}}{\boldsymbol{F}}'\left( {\Delta {{\boldsymbol{\sigma}} }} \right) + \alpha {{{\boldsymbol{R}}}^{\text{T}}}{{\boldsymbol{R}}}$

(6)

其中， ${\boldsymbol{F}}'\left( {\Delta {{\boldsymbol{\sigma}} }} \right)$ 是灵敏度矩阵 ${{\boldsymbol{S}}}$ ，将 ${\boldsymbol{F}}'\left( {\Delta {{\boldsymbol{\sigma}} }} \right)$ 用 ${{\boldsymbol{S}}}$ 表示，并将式(5)、式(6)代入式(3)后得到

$\begin{split} \Delta {{\boldsymbol{\sigma} }_{{k + }1}} =& \Delta {{\boldsymbol{\sigma} }_{k}} - {\left( {{{{\boldsymbol{S}}}^{\text{T}}}{{\boldsymbol{S}} + }\alpha {{{\boldsymbol{R}}}^{\text{T}}}{{\boldsymbol{R}}}} \right)^{ - 1}}\\ & \cdot\left[ {{{\boldsymbol{S}}}^{\text{T}}}\left( {{{\boldsymbol{S}}}\Delta {{\boldsymbol{\sigma} }_{k}} - \Delta {\boldsymbol{{\varphi}} }} \right) + {\beta _k}\left( {\Delta {{\boldsymbol{\sigma} }_k} - \Delta {{\boldsymbol{\sigma} }_{k - 1}}} \right)\right. \\ & \left.+ \alpha {{{\boldsymbol{R}}}^{\text{T}}}{{\boldsymbol{R}}}\Delta {{\boldsymbol{\sigma} }_k} \right]\\[-10pt] \end{split}$

(7)

其中， ${\beta _k}$ 除了可以根据经验选取为固定值，还可以利用v方法求解其在每次迭代中的最优值，v方法是由Brakhage提出的一种用于求解不适定问题或条件数很差的适定问题的计算方法，与其他用于求解此类问题的方法相比，采用v方法计算目标函数误差项的加权系数，仅需较少的计算步骤，便可得到较小的最小误差范数^[23]。计算公式为

$\left. \begin{aligned} &{{\beta _0} = 0} \\ & {{\beta _k} = \frac{{\left( {2k + 2v + 1} \right)\left( {2k - 1} \right)k}}{{\left( {2k + 4v + 1} \right)\left( {2k + 2v - 1} \right)\left( {k + 2v} \right)}},}\;\;{k \ge 1} \end{aligned} \right\}$

(8)

为了进一步加快算法的收敛，将LBP算法计算得到的电导率分布值作为改进算法的迭代初值，同时根据脑出血MIT检测的实际情况在改进算法中引入投影算子 ${P}$ 确保解收敛。综上，所提改进NR算法的迭代公式如式(9)，其流程图如图2所示。

图 2 改进NR算法流程图

下载: 全尺寸图片幻灯片

$\left.\begin{aligned} & \Delta {{\boldsymbol{\sigma}} }_{-1}=0 \\ & \Delta {{\boldsymbol{\sigma}} }_{0}=\Delta {{\boldsymbol{\sigma}} }_{\text{LBP}} \\ & \Delta {{\boldsymbol{\sigma}} }_{{k+}1}={P}\left[\Delta {{\boldsymbol{\sigma}} }_{{k}}-{\left({\boldsymbol{S}}^{\text{T}}{{\boldsymbol{S}}+}\alpha {\boldsymbol{R}}^{\text{T}}\boldsymbol{R}\right)}^{-1}\left[{\boldsymbol{S}}^{\text{T}}\left(\boldsymbol{S}\Delta {{\boldsymbol{\sigma}} }_{{k}}-\Delta {\boldsymbol{\varphi}}\right)+{\beta }_{k}\left(\Delta {{\boldsymbol{\sigma}} }_{k}-\Delta {{\boldsymbol{\sigma}} }_{k-1}\right)+\alpha {\boldsymbol{R}}^{\text{T}}{\boldsymbol{R}}\Delta {{\boldsymbol{\sigma}} }_{k}\right]\right] \\ & P\left[{f}(\Delta {\boldsymbol{\sigma}} )\right]=\left\{\begin{array}{llllll} 0,& \text{ }{f}(\Delta {\boldsymbol{\sigma}} )\le 0\\ {f}(\Delta {\boldsymbol{\sigma}} ),& \text{ }{f}(\Delta {\boldsymbol{\sigma}} ) > 0\end{array}\right. \end{aligned}\right\}$

(9)

其中，LBP算法的计算结果作为改进NR算法的迭代初值； $P$ 是非负凸集上的投影算子，通过投影算子 $P$ 引入物理意义上的约束，确保每次迭代的解都非负有界且收敛于一个凸集上； ${\beta _k}$ 使用v方法确定其最优值，v的值一般通过经验法选取^[23]，本文v取8。在迭代过程中设置迭代终止条件为 $\left| \Delta {{{\boldsymbol{\sigma}} }_{k + 1}} - \Delta {{{\boldsymbol{\sigma}} }_k} \right| < \varepsilon$ 或 $k > {k_{\max }}$ ，当迭代过程中两个相邻解间的差小于设定的较小阈值 $\varepsilon = 1 \times {10^{ - 12}}$ 时停止迭代，同时设置了最大迭代次数 ${k_{\max }} = 1\;000$ ，防止算法陷入半收敛或无限迭代，进行重复的无效计算，占用计算资源。满足迭代终止条件时输出电导率分布 $\Delta {{{\boldsymbol{\sigma}} }_{{k + }1}}$ ，并按其幅值大小绘制得到重建图像。

4. 建模与仿真

4.1 脑出血MIT有限元模型的建立

构建具有真实几何形状的颅脑模型，能提高对模型涡流场、磁场的求解精度，在此基础上开展线圈检测值和场域内灵敏度的仿真计算，为后续的图像重建提供可靠的仿真实验结果。建立的仿真模型共包含3个域：真实颅脑模型、空气域、线圈域。颅脑模型的几何结构采用电气与电子工程师协会 (Institute of Electrical and Electronics Engineers, IEEE)、国际电工委员会 (International Electrotechnical Commission, IEC)和欧洲电工标准化委员会 (European Committee for Electrotechnical Standardization, CENELEC)提供的标准比吸收率 (Specific Absorption Rate, SAR)测量规范中相同的几何结构，利用COMSOL Multiphysics对MRI数据进行放样、转换、旋转、缩放等操作后得到3维头部轮廓；将具有类似介电特性的组织进行合并，保留头皮、颅骨、脑脊液和脑实质等4种主要头部组织^[24]，并将得到的3维头部轮廓按各组织1:0.92:0.87:0.84的比例进行缩放^[25]，最终得到具有4种组织的真实3维颅脑模型，空间中笛卡尔坐标系的原点位于建立的脑模型的几何中心。

为模拟实际检测环境，设置一个足够大的球型空气域，半径为70 cm；根据线圈检测特性和颅脑模型的结构，采用8线圈均匀布置的方式，依次编号1～8，每个线圈大小、形状完全一致，均匀分布于脑模型中与头皮距离为12 cm的圆上，线圈外径为20 mm，内径为15 mm，高为30 mm，匝数为100，线圈导线电导率为 $6 \times {10^7}{\text{ S/m}}$ ，导线的截线面积定义为 ${10^{ - 7}}{\text{ }}{{\text{m}}^{\text{2}}}$ ，建立的脑出血MIT有限元模型如图3所示。

图 3 脑出血MIT有限元模型

下载: 全尺寸图片幻灯片

将模型中线圈的材料属性设置为铜，球形空气域的材料属性为空气；在脑出血MIT中常用的激励频率在1～10 MHz^[16]，将激励频率设置为1 MHz，线圈中激励电流为1 A，并按表1设置模型中各头部组织的电磁特性参数(数据来源文献[24])。

表 1 1 MHz下的脑组织电磁特性

	脑组织
	头皮	颅骨	脑脊液	脑实质	脑出血
电导率(S/m)	0.044	0.024	2.000	0.102	0.822
介电常数(F/m)	50.8	145	109	480	3030

下载: 导出CSV

| 显示表格

在脑模型中分别设置了3个不同位置的脑出血，分别位于空间位置A(0, 0.03, 0.075)处，位置B(–0.026, –0.04, 0.075)处及位置C(0.02, 0.02, 0.075)处，在每个位置分别设置出血量为24 ml, 14 ml及2 ml的脑出血。设置的脑出血分布情况如图4所示。

图 4 脑出血分布情况

下载: 全尺寸图片幻灯片

4.2 仿真计算

4.2.1 相位差仿真计算

采用循环激励，循环检测的模式，即其中1个线圈为激励，其余7个进行检测，当遍历8个线圈进行激励后共得到56个检测相位值。仿真计算图4中位置A, B, C处3个出血量的相位差如图5所示。

图 5 位置A,B,C处3个出血量的相位差

下载: 全尺寸图片幻灯片

图5(a)—图5(c)分别表示位置A, B, C处3个出血量的相位差，每个图中黑色、蓝色、红色虚线分别表示在该位置24 ml, 14 ml, 2 ml出血量情况下的仿真计算得到相位差测量值，由图5(a)可以看出，检测相位差数量级很小；脑出血体积的大小对线圈测量值影响很大，出血量越大检测相位差的幅值变化越大，出血量越小检测相位差的幅值变化越小，位置B, C处不同出血量的测量相位差规律与此类似。

4.2.2 灵敏度仿真计算

灵敏度矩阵是图像重建的先验信息^[15]，常见的灵敏度矩阵求解方法有扰动法和互易定理法，采用基于互易定理的计算方法能大量减少计算时间^[16]，灵敏度矩阵通过图3中建立的脑出血MIT有限元模型仿真计算得到，假设有激励-检测线圈对a和b，分别对a和b施加激励，另外一个线圈作检测，此时可计算场域内各网格上电导率发生变化时的灵敏度，计算公式为

${S_{({a}{{-}}1){N_{S}} + {b}{\text{,}}{i}}} = {{\rm{Im}}} \left( {\int\limits_{{{\varOmega }_i}} {\frac{{{\boldsymbol{E}}_i^a \cdot {\boldsymbol{E}}_i^b}}{{{{\left( {{U_0}} \right)}_{{a}{\text{,}}{b}}}}}} {\text{d}}{\varOmega }} \right)$

(10)

其中， ${N_S}$ 是检测线圈数量； ${{\rm{Im}}} ( \cdot )$ 代表虚部； ${{\varOmega }_i}$ 是成像区域内网格单元； ${\boldsymbol{E}}_i^a$ 和 ${\boldsymbol{E}}_i^b$ 分别是线圈a和线圈b施加激励时检测区域内的电场分布； ${\left( {{U_0}} \right)_{{a}{\text{,}}{b}}}$ 是空场时由激励-检测线圈ab计算得到的感应电压。建立的模型是8线圈传感器，因此检测线圈数量 ${N_S} = 7$ 。在参考频率为1 MHz的情况下，通过将整个检测区域设置为1 S/m的均匀电导率来计算灵敏度矩阵 ${{\boldsymbol{S}}}$ 。通过有限元仿真计算相关场量并根据式(10)计算灵敏度矩阵，计算6种典型线圈组合下的灵敏度如图6所示。

图 6 不同激励-检测组合的灵敏度图

下载: 全尺寸图片幻灯片

图6(a)—图6(f)分别表示线圈1-线圈5、线圈4-线圈8、线圈2-线圈3、线圈5-线圈6、线圈5-线圈8、线圈3-线圈6组合时的灵敏度图，每两组分别代表相对、相邻、相隔线圈激励检测情况下的典型灵敏度分布情况，其中不同的颜色反映该区域对电导率变化的敏感度不同，颜色对应数值的绝对值越大表示该区域灵敏度越高，颜色对应数值的绝对值越小表示该区域灵敏度越低；从图6可以看出，在单线圈激励单线圈检测的情况下，越靠近激励或检测线圈的区域，灵敏度的绝对值越大，远离该区域灵敏度绝对值逐渐减小，如图6(a)中，线圈1-线圈5组合分别作激励或检测线圈时，越靠近线圈1和线圈5区域的灵敏度绝对值越大，该区域发生脑出血引起颅脑内电导率分布发生变化时，检测线圈测量到的信号变化也越大，因此脑出血在靠近线圈的区域时成像效果更好，精度也更高。

5. 实验及结果分析

为了验证所提改进NR算法的有效性，建立了真实颅脑和线圈的有限元模型，并设置了图3中9种情况的脑出血，通过模型仿真计算得到9种脑出血情况下的线圈检测相位差和灵敏度矩阵后，应用所改进的NR算法进行图像重建实验，并与NR算法^[26]、Tikhonov算法^[8]、CGLS算法^[27]、Landweber算法^[28]和优化迭代策略的NR算法^[19]进行比较，采用改进的NR算法和5种对比算法分别对z=0.075平面进行断层成像，图像重建结果如图7所示。实验在处理器Intel i7-10875H，内存16 GB，显卡Nvidia GeForce RTX 2060, 6 GB显存的电脑上进行。

下载: 全尺寸图片幻灯片

在图7(a)—图7(c)、图7(d)—图7(f)、图7(g)—图7(i)分别对应位置A处、B处及C处出血量分别为24 ml, 14 ml, 2 ml共9种情况的脑出血图像重建结果，其中的黑色虚线表示脑出血的实际轮廓。从图7可以看出，6种成像算法均能重建出不同出血情况的脑出血位置，在同一位置下，随着出血量的减小，与之对应区域的重建电导率幅值也减小，这是因为出血量减小，检测的相位差信号也相对减小；Tikhonov, Landweber, CGLS, NR、优化迭代策略的NR等5种算法的重建图像，出血的范围都大于实际范围，而使用所提改进NR算法的重建图像，出血范围与实际范围更吻合，重建图像中脑出血周围的伪影比Tikhonov, Landweber, CGLS, NR、优化迭代策略的NR等5种算法少，且脑出血与背景的边界更清晰，对出血量的判断也更准确，可有效实现对2 ml脑出血的图像重建。

图 7 图像重建结果

下载: 全尺寸图片幻灯片

为了评价不同算法的图像重建性能，采用图像相关系数(Correlation Coefficient, CC)、图像重建误差(Image Error, IE)、归一化均方距离(Normalization Mean Square Distance criterion, NMSD)、图像重建时间和迭代次数作为评价指标。其中图像重建时间是算法开始到重建图像所花费的时间，迭代次数是目标函数值小于设定阈值 $\varepsilon$ 时已进行迭代计算的次数，各评价指标的计算公式为

$\qquad\qquad\qquad\qquad {\text{CC}} = \frac{{\displaystyle\sum\limits_{i = 1}^N {\left( {\Delta {{\boldsymbol{\sigma} }_{{\text{true}}}}\left( i \right) - \Delta {{\overline {\boldsymbol{\sigma} } }_{{\text{true}}}}} \right)} \left( {\Delta {{\boldsymbol{\sigma} }_{{\text{rec}}}}\left( i \right) - \Delta {{\overline {\boldsymbol{\sigma} } }_{{\text{rec}}}}} \right)}}{{\sqrt {{{\displaystyle\sum\limits_{i = 1}^N {\left( {\Delta {{\boldsymbol{\sigma} }_{{\text{true}}}}\left( i \right) - \Delta {{\overline {\boldsymbol{\sigma} } }_{{\text{true}}}}} \right)^2} }}\displaystyle\sum\limits_{i = 1}^N {{{\left( {\Delta {{\boldsymbol{\sigma} }_{{\text{rec}}}}\left( i \right) - \Delta {{\overline {\boldsymbol{\sigma} } }_{{\text{rec}}}}} \right)}^2}} } }}$

(11)

$\qquad\qquad\qquad\qquad {\text{IE}} = \frac{{\left\| {\Delta {{\boldsymbol{\sigma} }_{{\text{true}}}} - \Delta {{\boldsymbol{\sigma} }_{{\text{rec}}}}} \right\|}}{{\left\| {\Delta {{\boldsymbol{\sigma} }_{{\text{true}}}}} \right\|}}$

(12)

${\text{NMSD = }}\sqrt {\frac{{\displaystyle\sum\limits_{i = 1}^N {{{\left( {\Delta {{\boldsymbol{\sigma} }_{{\text{true}}}}\left( i \right) - \Delta {{\boldsymbol{\sigma} }_{{\text{rec}}}}\left( i \right)} \right)}^2}} }}{{\displaystyle\sum\limits_{i = 1}^N {{{\left( {\Delta {{\boldsymbol{\sigma} }_{{\text{true}}}}\left( i \right) - \Delta {{\overline {\boldsymbol{\sigma} } }_{{\text{true}}}}} \right)}^2}} }}}$

(13)

其中， $\Delta {{\boldsymbol{\sigma} }_{{\text{true}}}}$ 是真实电导率分布， $\Delta {{\boldsymbol{\sigma} }_{{\text{rec}}}}$ 是重建的电导率分布， $\Delta {\overline {\boldsymbol{\sigma} } _{{\text{true}}}}$ 和 $\Delta {\overline {\boldsymbol{\sigma} } _{{\text{rec}}}}$ 分别是 $\Delta {{\boldsymbol{\sigma} }_{{\text{true}}}}$ 和 $\Delta {{\boldsymbol{\sigma} }_{{\text{rec}}}}$ 的平均值。利用CC和NMSD评价重建图像的分辨率^[11]，CC越大，NMSD越小，表示重建图像分辨率更优；CC越大，IE和NMSD越小，表示图像重建质量越高，分别计算9种出血情况下6种算法重建图像的相关系数、重建误差、归一化均方距离、图像重建时间和迭代次数，并分析了所提改进NR算法中投影算子 ${P}$ 对收敛速度提高和成像质量改善的影响，得到的结果如表2、表3和表4所示。

表 2 相关系数

脑出血分布	Tikhonov	Landweber	CGLS	NR	NR (优化迭代策略)	改进NR (无投影算子)	改进NR
位置A：24 ml	0.505	0.355	0.490	0.483	0.512	0.513	0.676
位置A：14 ml	0.437	0.306	0.422	0.416	0.443	0.441	0.595
位置A： 2 ml	0.269	0.209	0.255	0.253	0.275	0.267	0.377
位置B：24 ml	0.455	0.311	0.449	0.416	0.468	0.448	0.590
位置B：14 ml	0.378	0.282	0.380	0.342	0.388	0.367	0.401
位置B： 2 ml	0.207	0.171	0.199	0.189	0.213	0.202	0.286
位置C：24 ml	0.481	0.364	0.476	0.446	0.491	0.474	0.619
位置C：14 ml	0.407	0.308	0.404	0.375	0.417	0.397	0.528
位置C： 2 ml	0.244	0.180	0.243	0.227	0.250	0.240	0.333

下载: 导出CSV

| 显示表格

表2、、分别是重建图像的相关系数、图像重建误差和归一化均方距离、图像重建时间和迭代次数，其中表的第1列是9种脑出血分布情况，第2列—第8列是9种出血情况下6种算法重建图像以及无投影算子的改进NR算法的相关系数、重建误差和归一化均方距离、图像重建时间和迭代次数；对比3个表中有无投影算子的改进NR算法，可以看出施加投影算子 ${P}$ 后，算法的相关系数提高，重建误差和归一化均方距离均减小，且图像重建时间和迭代次数均减少，平均为NR算法的1/2，表明通过投影算子 ${P}$ 施加物理意义上的约束后提高了重建图像的成像质量和收敛速度；由表2和表3可以看出，对于9种脑出血情况，采用所提改进NR算法重建图像的相关系数均大于其他5种算法重建图像的相关系数，归一化均方距离均小于其他算法的归一化均方距离，重建图像的分辨率更优，同时其重建误差也均小于其他算法的图像重建误差，表明所提改进NR算法重建图像的质量更高；在同一出血位置，随着出血量的减小，各算法重建图像的相关系数减小，重建误差增大，这是因为当出血量较小时，检测到的相位信号变化也较小，图像重建难度增大，同时对于2 ml微小出血的重建误差较大，这是由于出血量较小检测信号微弱以及检测信号由各个组织及其相互间耦合的信号构成，可通过研究更有效的图像重建算法、在图像重建过程中引入脑组织的结构先验信息以及脑出血MIT信号的有效分解来进一步降低重建误差。结合图7所给出的图像重建结果，同一位置处出血量减少时，所提改进NR算法得到的脑出血范围更符合实际脑出血范围，其余5种算法得到的脑出血范围虽然有所减小，但依然大于实际范围，同时所提改进NR算法的相关系数更高、重建误差和归一化均方距离更低，并且能实现2 ml脑出血的图像重建，表明所提改进NR算法求解得到的颅脑截面电导率分布及其数值解更符合实际，求解过程更加稳定。

表 3 图像误差/归一化均方距离

脑出血分布	Tikhonov	Landweber	CGLS	NR	NR (优化迭代策略)	改进NR (无投影算子)	改进NR
位置A：24 ml	0.962/1.182	0.993/1.005	0.956/0.968	0.957/0.969	0.961/0.975	0.959/0.970	0.910/0.949
位置A：14 ml	1.022/1.030	1.510/1.527	1.163/1.174	1.184/0.987	0.991/0.977	0.975/0.983	0.947/0.876
位置A： 2 ml	1.867/1.872	2.709/2.610	2.505/2.514	2.517/2.525	1.662/1.666	1.860/1.865	1.544/1.550
位置B：24 ml	0.970/0.983	0.994/1.007	0.967/0.980	0.969/0.983	0.970/0.984	0.971/0.984	0.938/0.967
位置B：14 ml	1.013/1.022	1.525/1.540	1.043/1.052	1.135/1.145	0.997/0.993	1.144/1.153	0.968/0.920
位置B： 2 ml	1.825/1.779	2.226/2.247	2.098/2.111	2.256/2.262	1.716/1.675	1.887/1.891	1.501/1.505
位置C：24 ml	0.965/0.978	0.993/1.006	0.961/0.974	0.964/0.977	0.966/0.980	0.965/0.978	0.933/0.961
位置C：14 ml	0.990/0.989	1.540/1.567	1.038/1.046	1.101/1.111	0.981/0.967	1.107/1.117	0.962/0.910
位置C： 2 ml	1.663/1.622	1.877/1.765	1.855/1.860	2.026/2.038	1.575/1.510	1.705/1.710	1.354/1.358

下载: 导出CSV

| 显示表格

表 4 图像重建时间(s)/迭代次数

脑出血分布	Tikhonov	Landweber	CGLS	NR	NR (优化迭代策略)	改进NR (无投影算子)	改进NR
位置A：24 ml	0.064/1	0.027/300	0.002/40	0.750/12	1.949/33	0.411/8	0.223/5
位置A：14 ml	0.078/1	0.029/303	0.002/45	0.801/13	1.841/30	0.406/8	0.217/5
位置A： 2 ml	0.071/1	0.041/460	0.002/52	1.134/17	2.133/35	0.410/8	0.287/6
位置B：24 ml	0.061/1	0.026/300	0.001/38	0.706/11	1.534/25	0.405/8	0.285/6
位置B：14 ml	0.068/1	0.032/332	0.002/40	0775/12	1.797/30	0.391/8	0.235/5
位置B： 2 ml	0.063/1	0.042/510	0.002/46	0.983/15	1.910/32	0.393/8	0.293/6
位置C：24 ml	0.061/1	0.026/302	0.002/39	0.765/12	1.527/26	0.414/8	0.253/5
位置C：14 ml	0.070/1	0.030/303	0.002/40	0.770/12	1.678/28	0.413/8	0.297/6
位置C： 2 ml	0.064/1	0.030/310	0.002/44	1.053/15	1.873/31	0.396/8	0.295/6

下载: 导出CSV

| 显示表格

由表4可以看出，对于9种脑出血情况，改进NR 算法重建图像的时间比Tikhonov, Landweber, CGLS等3种算法较多，这是因为Tikhonov仅需一步成像，Landweber和CGLS在迭代过程中只需计算目标函数的1阶导数^[29,30]，而NR算法每步迭代都需要计算其2阶导数，导致图像重建时间较多。但所提改进NR算法相比NR和优化迭代策略的NR算法所需的重建时间大幅减少，成像时间平均只需NR算法的1/3。结合表2和表3分析，与Landweber, CGLS, NR和优化迭代策略的NR算法4种迭代图像重建算法相比，所提改进NR算法迭代次数最少，重建图像质量最高，表明所提改进NR算法每一步迭代的效率更高，收敛性更好且能够得到更高质量的重建图像。

6. 结束语

本文提出一种用于脑出血MIT检测的改进NR图像重建算法，首先建立了一个包含头皮、颅骨、脑脊液和脑实质4种组织的真实3维颅脑仿真模型，并仿真计算了9种脑出血情况下的线圈检测值和灵敏度矩阵，采用改进的NR算法和其他5种图像重建算法开展了图像重建实验。实验结果表明，对于不同脑出血分布情况，所提改进NR算法的重建图像相比于其他5种图像重建算法在相关系数上提高了0.013～0.321，在重建误差上减小了0.019～1.165，在归一化均方距离上减小了0.013～1.060，成像时间平均只需NR算法的1/3，改进NR算法能实现较少的迭代次数和时间重建出更高质量的图像，且能实现2 ml微小脑出血的图像重建，表明所提改进NR算法的迭代效率更高、稳定性更好、重建图像质量更高，由此可见，所提改进NR算法用于脑出血MIT是可行且有效的，有力推动了MIT技术的发展。

在本研究中，考虑到仿真模拟所需的计算资源，简化了脑组织仅保留了主要的头部组织，而真实脑组织更为复杂，同时改进NR算法重建图像中脑出血和背景之间仍存在一定的伪影，下一步研究将构建更为精细的脑组织模型，并搭建脑出血MIT实验平台，利用琼脂块或3D打印技术制作不同脑出血情况下的真实3维颅脑模型，采集相关实验数据，进一步验证所提改进NR算法有效性，并开展应用研究。

图 1 CPS闭环技术体系

下载: 全尺寸图片幻灯片

图 2 CPS系统的体系架构

下载: 全尺寸图片幻灯片

图 3 CPS的技术体系

下载: 全尺寸图片幻灯片

图 4 闭环TMR电流传感器

下载: 全尺寸图片幻灯片

图 5 分布式网络系统可信接入架构

下载: 全尺寸图片幻灯片

图 6 CPS与雾-边-云计算

下载: 全尺寸图片幻灯片

图 7 CPS与数字孪生

下载: 全尺寸图片幻灯片

图 8 基于人工智能的信息物理社会系统模型

下载: 全尺寸图片幻灯片

图 9 区块链技术对CPS的支撑

下载: 全尺寸图片幻灯片

图 10 典型的工业制造CPS系统架构

下载: 全尺寸图片幻灯片

表 1 CPS概念列举

组织	概念
中国科学院	CPS是在环境感知的基础上，深度融合计算、通信和控制能力的可控可信可扩展的网络化物理系统。通过计算进程和物理进程相互影响的反馈循环实现深度融合和实时交互来增加或扩展新的功能，以安全、可靠、高效和实时的方式监测或控制物理实体。
美国国家科学基金会	CPS是基于嵌入式的计算核心实现感知、控制、集成的工程系统，信息被“深度嵌入”到每一个互联物理组件(甚至物料)中，其功能由信息和物理空间交互实现。
欧盟第七框架计划	CPS主要具有计算、通信和控制功能，并将这些功能与不同物理过程(如机械、电子和化学)深度融合。
德国国家科学与工程院	CPS是指使用传感器直接获取物理数据和执行器作用物理过程的嵌入式系统，使用来自各地的数据和服务，通过数字网络将物流、在线服务、协调与管理过程连接，其开放的技术系统使整个系统的功能、服务远远超出了当前的嵌入式系统。

下载: 导出CSV

参考文献(81)

[1]	中国电子技术标准化研究院. 信息物理系统白皮书(2017)[EB/OL]. http://www.cesi.cn/201703/2251.html, 2017. China Electron-ics Standardization Institute. White paper: Cyber-physical system[EB/OL]. http://www.cesi.cn/201703/2251.html, 2017.
[2]	The White House. American Competitiveness Initiative[EB/OL]. http://georgewbush-whitehouse.archives.gov/stateoftheunion/2006/aci/, 2006.
[3]	CPS Week[EB/OL]. https://cpsweek2017.ece.cmu.edu/index.php/events/.
[4]	国务院. 国务院关于深化制造业与互联网融合发展的指导意见: 国发〔2016〕28号[EB/OL]. http://www.gov.cn/zhengce/content/2016-05/20/content_5075099.htm, 2016.
[5]	MONOSTORI L, KÁDÁR B, BAUERNHANSL T, et al. Cyber-physical systems in manufacturing[J]. CIRP Annals, 2016, 65(2): 621–641. doi: 10.1016/j.cirp.2016.06.005
[6]	YU Xinghuo and XUE Yusheng. Smart grids: A cyber–physical systems perspective[J]. Proceedings of the IEEE, 2016, 104(5): 1058–1070. doi: 10.1109/JPROC.2015.2503119
[7]	WEI Guo, YI Zhang, and LI Li. The integration of CPS,CPSS, and ITS: A focus on data[J]. Tsighua Science and Technology, 2015, 20(4)): 327–335.
[8]	GU Lin, ZENG Deze, GUO Song, et al. Cost efficient resource management in fog computing supported medical cyber-physical system[J]. IEEE Transactions on Emerging Topics in Computing, 2017, 5(1): 108–119. doi: 10.1109/TETC.2015.2508382
[9]	YAN Wang. Probabilistic modeling of information dynamics in networked cyber-physical-social systems[J]. IEEE Internet of Things Journal, 2021, 8(19)–14947.
[10]	LEE J, BAGHERI B, and KAO H A. A cyber-physical systems architecture for industry 4.0-based manufacturing systems[J]. Manufacturing Letters, 2015, 3: 18–23. doi: 10.1016/j.mfglet.2014.12.001
[11]	OZTEMEL E and GURSEV S. Literature review of Industry 4.0 and related technologies[J]. Journal of Intelligent Manufacturing, 2020, 31(1): 127–182. doi: 10.1007/s10845-018-1433-8
[12]	杨挺, 张卓凡, 刘亚闯, 等. 基于改进深度信念网络的TMR电流传感器温漂与地磁场校正方法[J]. 天津大学学报:自然科学与工程技术版, 2021, 54(8): 875–880. YANG Ting, ZHANG Zhuofan, LIU Yachuang, et al. Correction method for temperature drift and geomagnetic field of TMR current sensor based on improved deep belief network[J]. Journal of Tianjin University:Science and Technology, 2021, 54(8): 875–880.
[13]	CHOUDHARY G, ASTILLO P V, YOU I, et al. Lightweight misbehavior detection management of embedded IoT devices in medical cyber physical systems[J]. IEEE Transactions on Network and Service Management, 2020, 17(4): 2496–2510. doi: 10.1109/TNSM.2020.3007535
[14]	HUSSAIN F, HASSAN S A, HUSSAIN R, et al. Machine learning for resource management in cellular and IoT networks: Potentials, current solutions, and open challenges[J]. IEEE Communications Surveys & Tutorials, 2020, 22(2): 1251–1275.
[15]	BURG A, CHATTOPADHYAY A, and LAM K Y. Wireless communication and security issues for cyber–physical systems and the Internet-of-things[J]. Proceedings of the IEEE, 2018, 106(1): 38–60. doi: 10.1109/JPROC.2017.2780172
[16]	杨挺, 刘佳林, 张亚健, 等. 电力线载波通信时频混合降噪方法[J]. 电网技术, 2018, 42(10): 3153–3160. YANG Ting, LIU Jialin, ZHANG Yajian, et al. Noise reduction method for lv power line carrier communication[J]. Power System Technology, 2018, 42(10): 3153–3160.
[17]	BARAKABITZE A A, AHMAD A, MIJUMBI R, et al. 5G network slicing using SDN and NFV: A survey of taxonomy, architectures and future challenges[J]. Computer Networks, 2020, 167: 106984. doi: 10.1016/j.comnet.2019.106984
[18]	WANG Tian, KE Haoxiong, ZHENG Xi, et al. Big data cleaning based on mobile edge computing in industrial sensor-cloud[J]. IEEE Transactions on Industrial Informatics, 2020, 16(2): 1321–1329. doi: 10.1109/TII.2019.2938861
[19]	SCHIZAS I D. Online data dimensionality reduction and reconstruction using graph filtering[J]. IEEE Transactions on Signal Processing, 2020, 68: 3871–3886. doi: 10.1109/TSP.2020.3003423
[20]	刘向锋, 黄庚华, 张志杰, 等. 高分七号激光测高中全波形回波数据的EMD降噪[J]. 红外与激光工程, 2020, 49(11): 20200261. doi: 10.3788/IRLA20200261 LIU Xiangfeng, HUANG Genghua, ZHANG Zhijie, et al. Noise reduction based on empirical mode decomposition for full waveforms data of GaoFen-7 laser altimetry[J]. Infrared and Laser Engineering, 2020, 49(11): 20200261. doi: 10.3788/IRLA20200261
[21]	ZHOU Huibin, ZHANG Dafang, and XIE Kun. Accurate traffic matrix completion based on multi-Gaussian models[J]. Computer Communications, 2017, 102: 165–176. doi: 10.1016/j.comcom.2016.11.011
[22]	杨挺, 何周泽, 赵东艳, 等. 基于FSOM神经网络的电能质量数据缺失修复算法[J]. 电网技术, 2020, 44(5): 1941–1949. YANG Ting, HE Zhouze, ZHAO Dongyan, et al. Power quality data loss repair algorithm based on FSOM neural network[J]. Power System Technology, 2020, 44(5): 1941–1949.
[23]	杨挺, 李扬, 何周泽, 等. 基于矩阵填充的泛在电力物联网电能质量数据修复算法[J]. 电力系统自动化, 2020, 44(2): 13–21. doi: 10.7500/AEPS20190814007 YANG Ting, LI Yang, HE Zhouze, et al. Matrix completion theory based recovery algorithm for power quality data in ubiquitous power internet of things[J]. Automation of Electric Power Systems, 2020, 44(2): 13–21. doi: 10.7500/AEPS20190814007
[24]	ZHANG Linxia, NIU Dunbiao, SONG Enbin, et al. Joint optimization of dimension assignment and compression in distributed estimation fusion[J]. IEEE Transactions on Signal Processing, 2019, 67(9): 2453–2468. doi: 10.1109/TSP.2019.2904935
[25]	ZHAO Hongshan and MA Libo. Power distribution system stream data compression based on incremental tensor decomposition[J]. IEEE Transactions on Industrial Informatics, 2020, 16(4): 2469–2476. doi: 10.1109/TII.2019.2934766
[26]	杨挺, 武金成, 袁博. 谐波和间谐波检测的压缩感知恢复算法[J]. 中国电机工程学报, 2015, 35(21): 5475–5482. YANG Ting, WU Jincheng, and YUAN Bo. The restoration algorithm of compressed sensing to detect harmonic and inter-harmonic[J]. Proceedings of the CSEE, 2015, 35(21): 5475–5482.
[27]	ALAM F, MEHMOOD R, KATIB I, et al. Data fusion and IoT for smart ubiquitous environments: A survey[J]. IEEE Access, 2017, 5: 9533–9554. doi: 10.1109/ACCESS.2017.2697839
[28]	YIN Xiuxing and ZHAO Xiaowei. Deep neural learning based distributed predictive control for offshore wind farm using high-fidelity LES data[J]. IEEE Transactions on Industrial Electronics, 2021, 68(4): 3251–3261. doi: 10.1109/TIE.2020.2979560
[29]	LAI Jingang, LU Xiaoqing, YU Xinghuo, et al. Distributed voltage regulation for cyber-physical microgrids with coupling delays and slow switching topologies[J]. IEEE Transactions on Systems, Man, and Cybernetics:Systems, 2020, 50(1): 100–110. doi: 10.1109/TSMC.2019.2924612
[30]	YATES R D and KAUL S K. The age of information: Real-time status updating by multiple sources[J]. IEEE Transactions on Information Theory, 2019, 65(3): 1807–1827. doi: 10.1109/TIT.2018.2871079
[31]	HUANG Xin and DONG Jiuxiang. Reliable control policy of cyber-physical systems against a class of frequency-constrained sensor and actuator attacks[J]. IEEE Transactions on Cybernetics, 2018, 48(12): 3432–3439. doi: 10.1109/TCYB.2018.2815758
[32]	YANG Ting, ZHANG Yajian, LI Wei, et al. Decentralized networked load frequency control in interconnected power systems based on stochastic jump system theory[J]. IEEE Transactions on Smart Grid, 2020, 11(5): 4427–4439. doi: 10.1109/TSG.2020.2978029
[33]	FARIVAR F, HAGHIGHI M S, JOLFAEI A, et al. Artificial intelligence for detection, estimation, and compensation of malicious attacks in nonlinear cyber-physical systems and industrial IoT[J]. IEEE Transactions on Industrial Informatics, 2020, 16(4): 2716–2725. doi: 10.1109/TII.2019.2956474
[34]	赖英旭, 刘岩, 刘静. 一种网络间可信连接协议[J]. 软件学报, 2019, 30(12): 3730–3749. LAI Yingxu, LIU Yan, and LIU Jing. Trusted connection protocol between networks[J]. Journal of Software, 2019, 30(12): 3730–3749.
[35]	王星, 杜伟, 陈吉, 等. 基于深度残差生成式对抗网络的样本生成方法[J]. 控制与决策, 2020, 35(8): 1887–1894. WANG Xing, DU Wei, CHEN Ji, et al. Sample generation based on residual generative adversarial network[J]. Control and Decision, 2020, 35(8): 1887–1894.
[36]	JIANG Yuchen, YIN Shen, and KAYNAK O. Data-driven monitoring and safety control of industrial cyber-physical systems: Basics and beyond[J]. IEEE Access, 2018, 6: 47374–47384. doi: 10.1109/ACCESS.2018.2866403
[37]	杨挺, 侯昱丞, 赵黎媛, 等. 基于时-频域混合特征的变电站通信网异常流量检测方法[J]. 电力系统自动化, 2020, 44(16): 79–86. YANG Ting, HOU Yucheng, ZHAO Liyuan, et al. Abnormal traffic detection method of substation communication network based on time-frequency domain mixed features[J]. Automation of Electric Power Systems, 2020, 44(16): 79–86.
[38]	DING Derui, HAN Qinglong, GE Xiaohua, et al. Secure state estimation and control of cyber-physical systems: A survey[J]. IEEE Transactions on Systems, Man, and Cybernetics:Systems, 2021, 51(1): 176–190. doi: 10.1109/TSMC.2020.3041121
[39]	HUANG Jiangshuai, WANG Wei, WEN Changyun, et al. Adaptive event-triggered control of nonlinear systems with controller and parameter estimator triggering[J]. IEEE Transactions on Automatic Control, 2020, 65(1): 318–324. doi: 10.1109/TAC.2019.2912517
[40]	HU Songlin, YUE Dong, XIE Xiangpeng, et al. Resilient Event-triggered controller synthesis of networked control systems under periodic DoS Jamming attacks[J]. IEEE Transactions on Cybernetics, 2019, 49(12): 4271–4281. doi: 10.1109/TCYB.2018.2861834
[41]	王晓辉, 季知祥, 周扬, 等. 城市能源互联网综合服务平台架构及关键技术[J]. 中国电机工程学报, 2021, 41(7): 2310–2320. WANG Xiaohui, JI Zhixiang, ZHOU Yang, et al. Comprehensive service platform architecture and key technologies of urban energy internet[J]. Proceedings of the CSEE, 2021, 41(7): 2310–2320.
[42]	BORDEL B, DE RIVERA D S, and ALCARRIA R. Plug-and-Play transducers in cyber-physical systems for device-driven applications[C]. Proceedings of the 10th International Conference on Innovative Mobile and Internet Services in Ubiquitous Computing, Fukuoka, Japan, 2016.
[43]	BALASUBRAMANIYAN S, SUBATHRA B, HEMESH R C, et al. On simulating processor schedules and network protocols within CPS using TrueTime[C]. Proceedings of 2015 IEEE International Conference on Computational Intelligence and Computing Research, Madurai, India, 2015.
[44]	KHALED A B, GAID M B, PERNET N, et al. Fast multi-core co-simulation of cyber-physical systems: Application to internal combustion engines[J]. Simulation Modelling Practice and Theory, 2014, 47: 79–91. doi: 10.1016/j.simpat.2014.05.002
[45]	汤奕, 王琦, 邰伟, 等. 基于OPAL-RT和OPNET的电力信息物理系统实时仿真[J]. 电力系统自动化, 2016, 40(23): 15–21,92. doi: 10.7500/AEPS20160515020 TANG Yi, WANG Qi, TAI Wei, et al. Real-time simulation of cyber-physical power system based on OPAL-RT and OPNET[J]. Automation of Electric Power Systems, 2016, 40(23): 15–21,92. doi: 10.7500/AEPS20160515020
[46]	VICENTINI F, ASKARPOUR M, ROSSI M G, et al. Safety assessment of collaborative robotics through automated formal verification[J]. IEEE Transactions on Robotics, 2020, 36(1): 42–61. doi: 10.1109/TRO.2019.2937471
[47]	BRAT G, BUSHNELL D, DAVIES M, et al. Verifying the safety of a flight-critical system[C]. Proceedings of the 20th International Symposium on Formal Methods, Oslo, Norway, 2015.
[48]	唐伦, 肖娇, 魏延南, 等. 基于云雾混合计算的车联网联合资源分配算法[J]. 电子与信息学报, 2020, 42(8): 1926–1933. doi: 10.11999/JEIT190306 TANG Lun, XIAO Jiao, WEI Yannan, et al. Joint resource allocation algorithms based on mixed cloud/fog computing in vehicular network[J]. Journal of Electronics &Information Technology, 2020, 42(8): 1926–1933. doi: 10.11999/JEIT190306
[49]	WANG Xiaokang, YANG L T, XIE Xia, et al. A cloud-edge computing framework for cyber-physical-social services[J]. IEEE Communications Magazine, 2017, 55(11): 80–85. doi: 10.1109/MCOM.2017.1700360
[50]	DING Kai, CHAN F T S, ZHANG Xudong, et al. Defining a digital twin-based cyber-physical production system for autonomous manufacturing in smart shop floors[J]. International Journal of Production Research, 2019, 57(20): 6315–6334. doi: 10.1080/00207543.2019.1566661
[51]	LI Wei, YANG Ting, DELICATO F C, et al. On enabling sustainable edge computing with renewable energy resources[J]. IEEE Communications Magazine, 2018, 56(5): 94–101. doi: 10.1109/MCOM.2018.1700888
[52]	李杰, 李响, 许元铭, 等. 工业人工智能及应用研究现状及展望[J]. 自动化学报, 2020, 46(10): 2031–2044. LEE J, LI Xiang, XU Yuanming, et al. Recent advances and prospects in industrial AI and applications[J]. Acta Automatica Sinica, 2020, 46(10): 2031–2044.
[53]	KIM H and BEN-OTHMAN J. Toward integrated virtual emotion system with AI applicability for secure CPS-enabled smart cities: AI-based research challenges and security issues[J]. IEEE Network, 2020, 34(3): 30–36. doi: 10.1109/MNET.011.1900299
[54]	ZHAO Wenbing, JIANG Congfeng, GAO Honghao, et al. Blockchain-enabled cyber-physical systems: A review[J]. IEEE Internet of Things Journal, 2021, 8(6): 4023–4034. doi: 10.1109/JIOT.2020.3014864
[55]	ZHENG Pai, WANG Honghui, SANG Zhiqian, et al. Smart manufacturing systems for Industry 4.0: Conceptual framework, scenarios, and future perspectives[J]. Frontiers of Mechanical Engineering, 2018, 13(2): 137–150. doi: 10.1007/s11465-018-0499-5
[56]	TAO Fei, ZHANG He, LIU Ang, et al. Digital twin in industry: State-of-the-art[J]. IEEE Transactions on Industrial Informatics, 2019, 15(4): 2405–2415. doi: 10.1109/TII.2018.2873186
[57]	陈胜, 卫志农, 顾伟, 等. 碳中和目标下的能源系统转型与变革: 多能流协同技术[J]. 电力自动化设备, 2021, 41(9): 3–12. CHEN Sheng, WEI Zhinong, GU Wei, et al. Carbon neutral oriented transition and revolution of energy systems: Multi-energy flow coordination technology[J]. Electric Power Automation Equipment, 2021, 41(9): 3–12.
[58]	MONESS M and MOUSTAFA A M. A survey of cyber-physical advances and challenges of wind energy conversion systems: Prospects for internet of energy[J]. IEEE Internet of Things Journal, 2016, 3(2): 134–145. doi: 10.1109/JIOT.2015.2478381
[59]	王成山, 吕超贤, 李鹏, 等. 园区型综合能源系统多时间尺度模型预测优化调度[J]. 中国电机工程学报, 2019, 39(23): 6791–6803. WANG Chengshan, LÜ Chaoxian, LI Peng, et al. Multiple time-scale optimal scheduling of community integrated energy system based on model predictive control[J]. Proceedings of the CSEE, 2019, 39(23): 6791–6803.
[60]	KONG Weicong, DONG Zhaoyang, JIA Youwei, et al. Short-term residential load forecasting based on LSTM recurrent neural network[J]. IEEE Transactions on Smart Grid, 2019, 10(1): 841–851. doi: 10.1109/TSG.2017.2753802
[61]	HERRANDO M, PANTALEO A M, WANG Kai, et al. Solar combined cooling, heating and power systems based on hybrid PVT, PV or solar-thermal collectors for building applications[J]. Renewable Energy, 2019, 143: 637–647. doi: 10.1016/j.renene.2019.05.004
[62]	王成山, 董博, 于浩, 等. 智慧城市综合能源系统数字孪生技术及应用[J]. 中国电机工程学报, 2021, 41(5): 1597–1607. WANG Chengshan, DONG Bo, YU Hao, et al. Digital twin technology and its application in the integrated energy system of smart city[J]. Proceedings of the CSEE, 2021, 41(5): 1597–1607.
[63]	陈健, 林咨良, 赵浩然, 等. 考虑信息耦合的电–气综合能源系统韧性优化方法[J]. 中国电机工程学报, 2020, 40(21): 6854–6863. CHEN Jian, LIN Ziliang, ZHAO Haoran, et al. Optimization method for resilience of integrated electric-gas system with consideration of cyber coupling[J]. Proceedings of the CSEE, 2020, 40(21): 6854–6863.
[64]	TOKODY D, ALBINI A, ADY L, et al. Safety and security through the design of autonomous intelligent vehicle systems and intelligent infrastructure in the smart city[J]. Interdisciplinary Description of Complex Systems, 2018, 16(3): 384–396. doi: 10.7906/indecs.16.3.11
[65]	王同军. 中国智能高铁发展战略研究[J]. 中国铁路, 2019(1): 9–14. WANG Tongjun. Study on the development strategy of China intelligent high speed railway[J]. China Railway, 2019(1): 9–14.
[66]	夏元清, 闫策, 王笑京, 等. 智能交通信息物理融合云控制系统[J]. 自动化学报, 2019, 45(1): 132–142. XIA Yuanqing, YAN Ce, WANG Xiaojing, et al. Intelligent transportation cyber-physical cloud control systems[J]. Acta Automatica Sinica, 2019, 45(1): 132–142.
[67]	CHEN Chen, LIU Bin, WAN Shaohua, et al. An edge traffic flow detection scheme based on deep learning in an intelligent transportation system[J]. IEEE Transactions on Intelligent Transportation Systems, 2021, 22(3): 1840–1852. doi: 10.1109/TITS.2020.3025687
[68]	HATZIVASILIS G, FYSARAKIS K, IOANNIDIS S, et al. SPD-Safe: Secure administration of railway intelligent transportation systems[J]. Electronics, 2021, 10(1): 92. doi: 10.3390/electronics10010092
[69]	KAVALLIERATOS G, DIAMANTOPOULOU V, and KATSIKAS S. Shipping 4.0: Security requirements for the cyber-enabled ship[J]. IEEE Transactions on Industrial Informatics, 2020, 16(10): 6617–6625. doi: 10.1109/TII.2020.2976840
[70]	YANG Geng, PANG Zhibo, DEEN M J, et al. Homecare robotic systems for healthcare 4.0: Visions and enabling technologies[J]. IEEE Journal of Biomedical and Health Informatics, 2020, 24(9): 2535–2549. doi: 10.1109/JBHI.2020.2990529
[71]	GUO Jiuchuan, TIAN Shulin, XIAN Hong, et al. Cyber-physical healthcare system with blood test module on broadcast television network for remote cardiovascular disease (CVD) management[J]. IEEE Transactions on Industrial Informatics, 2021, 17(5): 3363–3670.
[72]	JIANG Yu, SONG Houbing, WANG Rui, et al. Data-centered runtime verification of wireless medical cyber-physical system[J]. IEEE Transactions on Industrial Informatics, 2017, 13(4): 1900–1909. doi: 10.1109/TII.2016.2573762
[73]	BAYANBAY N A, BEISEMBETOV I K, OZHIKENOV K A, et al. The use of unmanned aerial vehicle for emergency medical assistance[C]. Proceedings of the 20th International Conference of Young Specialists on Micro/Nanotechnologies and Electron Devices (EDM), Erlagol, Russia, 2019.
[74]	孔祥朋, 付君, 陈继营, 等. 5G通信技术远程指导机器人辅助全髋关节置换术两例[J]. 中国修复重建外科杂志, 2020, 34(11): 1492–1493. KONG Xiangpeng, FU Jun, CHEN Jiying, et al. Two cases of robot assisted total HIP arthroplasty guided by 5G communication technology[J]. Chinese Journal of Reparative and Reconstructive Surgery, 2020, 34(11): 1492–1493.
[75]	王婷, 钱东福, 张成, 等. 基于史密斯模型的新疆克州远程医疗建设效果分析[J]. 中国卫生事业管理, 2021, 38(8): 582–586. WANG Ting, QIAN Dongfu, ZHANG Cheng, et al. Analysis of the effect of telemedicine construction in Kezhou of Xinjiang province based on Smith model[J]. Chinese Health Service Management, 2021, 38(8): 582–586.
[76]	XU Qichao, SU Zhou, and YU Shui. Green social CPS based E-healthcare systems to control the spread of infectious diseases[C]. Proceedings of 2018 IEEE International Conference on Communications (ICC 2018), Kansas City, USA, 2018.
[77]	MONES E, STOPCZYNSKI A, PENTLAND A S, et al. Optimizing targeted vaccination across cyber-physical networks: An empirically based mathematical simulation study[J]. Journal of the Royal Society Interface, 2018, 15(138): 20170783. doi: 10.1098/rsif.2017.0783
[78]	DIMITROV V, JAGTAP V, SKORINKO J, et al. Human-centered design of a cyber-physical system for advanced response to Ebola (CARE)[C]. Proceedings of the 37th Annual International Conference of the IEEE Engineering in Medicine and Biology Society, Milan, Italy, 2015: 6856–6859.
[79]	DONG Yudi and YAO Yudong. IoT platform for COVID-19 prevention and control: A survey[J]. IEEE Access, 2021, 9: 49929–49941. doi: 10.1109/ACCESS.2021.3068276
[80]	YE Ruizhong, ZHOU Xianlong, SHAO Fei, et al. Feasibility of a 5G-based robot-assisted remote ultrasound system for cardiopulmonary assessment of patients with coronavirus disease 2019[J]. Chest, 2021, 159(1): 270–281. doi: 10.1016/j.chest.2020.06.068
[81]	YE Qing, ZHOU Jin, and WU Hong. Using information technology to manage the COVID-19 pandemic: Development of a technical framework based on practical experience in China[J]. JMIR Medical Informatics, 2020, 8(6): e19515. doi: 10.2196/19515

施引文献

期刊类型引用(0)
其他类型引用(1)

资源附件(0)

访问统计

图(10) / 表(1)

计量

文章访问数: 5445
HTML全文浏览量: 2353
PDF下载量: 847
被引次数: 1

1. 引言
2. 脑出血MIT检测原理
3. 改进的Newton-Raphson图像重建算法
4. 建模与仿真
4.1 脑出血MIT有限元模型的建立
4.2 仿真计算
5. 实验及结果分析
6. 结束语

姓名
邮箱
手机号码
标题
留言内容
验证码

留言板

信息物理系统技术现状分析与趋势综述

doi: 10.11999/JEIT211135

通讯作者:
杨挺　yangting@tju.edu.cn

计量

Review on Cyber-Physical System: TechnologyAnalysis and Trends

1. 引言

2. 脑出血MIT检测原理

3. 改进的Newton-Raphson图像重建算法

4. 建模与仿真

4.1 脑出血MIT有限元模型的建立

4.2 仿真计算

4.2.1 相位差仿真计算

4.2.2 灵敏度仿真计算

5. 实验及结果分析

6. 结束语

期刊类型引用(0)

其他类型引用(1)

计量

目录

1. 引言

2. 脑出血MIT检测原理

3. 改进的Newton-Raphson图像重建算法

4. 建模与仿真

4.1 脑出血MIT有限元模型的建立

4.2 仿真计算

5. 实验及结果分析

6. 结束语

留言板

信息物理系统技术现状分析与趋势综述

doi: 10.11999/JEIT211135

通讯作者: 杨挺 yangting@tju.edu.cn

计量

出版历程

Review on Cyber-Physical System: TechnologyAnalysis and Trends

1. 引言

2. 脑出血MIT检测原理

3. 改进的Newton-Raphson图像重建算法

4. 建模与仿真

4.1 脑出血MIT有限元模型的建立

4.2 仿真计算

4.2.1 相位差仿真计算

4.2.2 灵敏度仿真计算

5. 实验及结果分析

6. 结束语

期刊类型引用(0)

其他类型引用(1)

计量

出版历程

目录

1. 引言

2. 脑出血MIT检测原理

3. 改进的Newton-Raphson图像重建算法

4. 建模与仿真

4.1 脑出血MIT有限元模型的建立

4.2 仿真计算

5. 实验及结果分析

6. 结束语

通讯作者:
杨挺　yangting@tju.edu.cn