小编oxu*_*xuf的帖子

首先,我读了这个.但我想扩大.总结一下:

1. 在设计安全关键系统时,设计人员必须评估一些指标,以确保系统按预期工作.它是一种数学证明,具有足够低的复杂性,可供人类使用.它与问责制,可靠性,可审计性等有关......

2. 在另一方面,在这一点上,AI是,似乎工作得很好,但大多数时候,我们做一个黑盒不具有证明其正确性的(主要是因为在框中正在进行的事情太复杂,是分析),它更像是一个统计确定性: 我们训练了系统,系统在所有测试中都表现良好.

那么,有些问题吗？

Q1.这两个模糊的想法现在有意义吗？

Q2.是否可以将AI用于安全关键系统并确保其性能？我们能否确定AI的确定性行为？任何参考？

Q3.我想已经有一些公司在汽车领域销售基于AI的安全关键系统.他们如何设法为这样一个限制性市场认证他们的产品？

编辑

关于Q1:感谢Peter,我意识到,例如,对于汽车示例,没有关于完全确定性的要求.ASIL D水平是汽车系统最严格的水平,只需要一个失效概率的上限.其他ISO26262标准和级别也是如此.我会改进这个问题:

Q1.系统设计中是否有任何安全标准,在任何级别/子组件,任何领域/领域,是否需要完全确定性？

关于Q2:即使不需要完全确定性,问题仍然存在.特别是,我现在正在阅读有关AI的可能攻击:我将在此处发布链接(此时我无法访问它们).

关于Q3:现在我了解他们将如何获得认证.无论如何,任何参考都会非常受欢迎.

我目前正试图弄清楚如何使用Eigen的 FFT 算法。让我们假设我有一个功能

std::complex<double> f(std::complex<double> const & t){
    return std::sin(t);
}

然后我用这个函数计算

Eigen::VectorXcd time(1000);
Eigen::VectorXcd f_values(1000);
for(int u = 0; u < 1000; ++u){
    time(u) = u* 2. * M_PI / 1000;
    f_values(u) = f(time(u));
}

我现在想计算 的傅立叶变换f_values，所以我做

Eigen::FFT<double> fft;
Eigen::VectorXcd f_freq(1000);
fft.fwd(f_freq, f_values);

现在我想绘制它，但要做到这一点，我需要f_freq评估的频率，但我真的不知道如何获得这些频率。所以我的问题归结为找到Eigen::VectorXcd包含频率来绘制这样的东西 （我很抱歉使用图片作为描述，但我认为这样更清晰，如果我试图用文字来描述它......amplitude来自情节的应该对应于我f_freq和我寻找的是freqin的值图片……）。

以下是放在单个文件中的上述代码片段：

#include <eigen3/Eigen/Dense>
#include <eigen3/unsupported/Eigen/FFT>
#include <complex>
#include <cmath>

std::complex<double> f(std::complex<double> const & t){
     return std::sin(t);
}

int main(){
    Eigen::VectorXcd …