混合系统的神经网络状态分类

基于摘要分析。本文研究混合系统的状态分类问题（SCP）：依据混合自动机中的状态是否满足给定的限时可达性规范，将其判为正类或负类。作者提出 Neural State Classification（NSC），用深度神经网络近似这一判定，以获得高效的状态分类器；研究对象是混合系统验证，而非 EEG 解码或 BCI 算法。 机制上，SCP 将模型检查推广为对各个状态的分类。摘要称 NSC 分类器可在常数时间和空间内运行，但可能产生分类错误。为量化并缓解错误，方法包含两部分：以统计保证认证分类器是否达到指定准确率；通过调优降低假阴性，即把正类状态误判为负类，其中包括作者提出的对抗采样技术。作者将减少假阴性解释为使分类器更保守，但这种保守性的具体安全含义需要结合规范定义核对，不能等同于形式化的零错误保证。 作者报告，在六个非线性混合系统基准上，Accuracy 为 99.25%–99.98%，假阴性率为 0.0033–0，调优后降为 0.0015–0；假阴性率沿用摘要中的小数表示。具体基准名称、训练与测试状态的采样及划分、统计认证的置信水平、对照方法、网络结构、消融及统计信息尚未验证。作者认为这些准确率对许多实际应用可接受，但这一判断不能直接外推至安全关键应用。 平台推测（待验证）：若闭环 BCI 控制器及被控设备能够表示为混合自动机，NSC 或可用于快速筛查满足特定可达性规范的控制状态，而不是直接分类 EEG。这一假设依赖可用的动力学模型、状态表示和可达性标签；可复用的是状态分类与错误控制思路，需改造的是 BCI 状态估计和规范定义。EEG 低信噪比、跨被试差异及有限数据可能使在线状态偏离训练分布。一个可检验的小实验是在模拟闭环控制系统中，以独立采样状态的可达性判定为参照，比较调优前后的假阴性率与推理耗时，再加入状态估计噪声检验退化。已有 EEG 相关工作尚未检索确认。