远程控制系统互联网传输时延预测算法的研究

由于互联网传输时延的存在,远程控制系统的稳定性很难保证,互联网时延的精确预测在改善远程控制系统的动态性能方面扮演着重要的角色.从网络通信的原理出发,分析了互联网传输时延的构成以及其不确定性特征后,提出了采用随机过程AR模型预测不确定性的互联网传输时延的方法.最后通过预测时延仿真实验表明该方法的有效性.     

远程控制系统互联网传输时延预测算法的研究

由于互联网传输时延的存在,远程控制系统的稳定性很难保证,互联网时延的精确预测在改善远程控制系统的动态性能方面扮演着重要的角色。从网络通信的原理出发,分析了互联网传输时延的构成以及其不确定性特征后,提出了采用随机过程AR模型预测不确定性的互联网传输时延的方法。最后通过预测时延仿真实验表明该方法的有效性。     

基于Internet的远程控制系统研究

在介绍目前国际上基于Internet的远程控制系统研究现状的基础上，讨论网络远程控制体系的结构组成．分析了控制与观测过程中网络不确定性时延对系统稳定性的影响，提出状态空间的描述方法与基于S域输入输出模型以及相应的时延补偿策略。     

网络时延的混沌特性分析及预测

针对互联网的传输时延处于不确定状态的问题,从网络时延序列表现出的性质出发,将混沌理论引入对网络时延的特性分析.通过对实际网络时延数据的处理,计算验证了网络时延具有混沌特性.并提出了采用混沌一支持向量机回归模型对互联网络时延进行预测的方法,通过实例分析对该方法进行了验证.分析结果证明了混沌一支持向量机模型可以对网络时延的变化趋势进行较为准确的预测,和BP神经网络回归预测相比,混沌一支持向量机对时延的短期预测具有更高精度.     

基于核方法的移动机器人远程控制时延预测与分析

构建了基于Internet的移动机器人控制平台,针对该平台中网络时延的非线性特性,提出了利用线性核和RBF核方法对网络时延序列样本进行回归建模和预测。比较了核方法、BP神经网络和RBF神经网络算法预测误差,表明在移动机器人远程控制中,核方法对网络时延序列预测具有更好的函数逼近能力和较高的预测精度,从而可根据预测时延调节移动机器人控制指令和状态信息的网络传输,保证系统的可靠性,提高移动机器人的控制性能。     

网络时延的混沌特性分析及预测

针对互联网的传输时延处于不确定状态的问题,从网络时延序列表现出的性质出发,将混沌理论引入对网络时延的特性分析。通过对实际网络时延数据的处理,计算验证了网络时延具有混沌特性。并提出了采用混沌一支持向量机回归模型对互联网络时延进行预测的方法,通过实例分析对该方法进行了验证。分析结果证明了混沌—支持向量机模型可以对网络时延的变化趋势进行较为准确的预测,和BP神经网络回归预测相比,混沌—支持向量机对时延的短期预测具有更高精度。     

基于时延预测模型的网络补偿控制器设计*

针对网络控制系统中随机双向通道时延引起的不确定性问题,提出一种基于时延在线预测模型改进的补偿控制方法。首先,基于自回归模型构建时延预测模型,通过递推最小二乘法实时更新模型参数以预测前向通道时延,并由区间分割法获得高精度的环回时延;然后,设计状态预估器、网络预测器和时延补偿器对环回时延进行补偿,进一步提高系统性能。采用TrueTime工具箱构建网络闭环仿真系统以仿真实际的网络传输情况,同时对PI控制、传统的时延补偿控制以及改进后的时延补偿控制进行对比实验,验证该方法的优越性。     

基于视觉反馈和预测仿真的Internet机器人遥操作

随着网络技术的发展,基于Internet的机器人遥操作因其广泛的应用前景而成为研究的热点,如何消除Internet引入的复杂时延对控制系统的影响是解决问题的关键.该文在分析Internet两点间时延规律的基础上,设计并实现了一个基于视觉反馈和预测仿真的机器人遥操作系统(Telemanipulator,Tman),三维仿真服务器模拟出操作现场,远程用户根据视觉反馈和本机的三维仿真及时做出控制决策;同时,为了消除时延可能导致的超调所带来的安全隐患,采取远程控制结合本地自主控制的模式,由本地服务器完成最后的小区域内的精细操作.实验结果表明仿真预测和控制模式切换有效地补偿了时延,保证了控制系统的鲁棒性和安全性.     

基于AR模型与神经网络预测互联网时延

在分析了互联网传输时延的组成和特性后,提出了采用AR模型和自适应线性神经网络模型预测不确定性的互联网传输时延的方法。仿真结果证明AR模型和自适应线性神经网络模型提供了两种有前途的互联网时延预测方法,相比于AR模型,自适应线性神经网络有更好的预测效果。     

基于随机神经网络的多步网络时延预测模型

网络时延的动态变化反映了网络路径的负载特征,对时延的精确预测是实施网络拥塞控制、路由选择的重要依据,建立了基于随机神经网络的时延预测模型,该模型克服了传统时间序列预测方法受随机干扰因素影响大、模型结构辨识过程繁琐,以及传统神经网络预测方法易于陷入局部极值、偏离全局最优的缺点.仿真实验表明,在提前单步和多步的预测中该模型比AR模型、RBF神经网络预测算法的准确度更高.