.png){kind=icon}
返回
A Modeling Framework for Hardware-Software Systems with Machine Learning Components
.png){kind=icon}
PRE
AI
DOI：10.1007/978-3-031-96841-9_11.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
人工智能在各个工业领域日益受到重视，凭借传统软件难以实现或不易达到的先进功能，正改变着流程和决策方式。各行业正投入资源发展人工智能驱动的解决方案，这些方案有望提升运营效率并促进各自领域的创新。然而，机器学习也带来了新的挑战，例如如何管理决策过程中产生的模糊性。本文展示了设计并实施了一个框架，该框架能够对基于时间的软硬件系统进行建模和仿真，以评估不确定性在多种运行环境中传播的潜在影响。这至关重要，因为此类不确定性可能导致代价高昂的系统故障，并影响其他非功能性需求，如系统效率、可靠性乃至安全性。我们的方法包括建立一种具有形式执行语义的新型领域专用语言，其语义通过随机着色Petri网界定。所得模型随后可通过自动转换为随机着色Petri网进行静态分析和仿真，从而便于计算多种可靠性和效率指标。
Keyword:
DSL
SCPN
Stochastic colored petri net
EMF
Modeling
Simulation
期刊
M
IF:
0
论文数:
13
被引数:
0
机构
引用论文
分享收藏
分享收藏Cross-Platform Real-Time Collaborative Modeling: An Architecture and a Prototype Implementation via EMF.Cloud.png)
IEEE ACCESS
OAAI
IEEE ACCESSIF3.6
OAAI分享收藏分享收藏Not (strictly) relying on SysML for MBSE: Language, tooling and development perspectives: The Arcadia/Capella rationale不（严格）依赖SysML进行MBSE：语言、工具和开发视角：Arcadia/Capella的原理
PREAI
分享收藏
查看更多内容