基于CMAC神经网络的网络控制系统模糊PD控制

针对网络控制系统中存在的随机诱导时延,把传输网络以及被控对象看作是一个时变的被控系统,将小脑模型神经网络与PD控制相结合,通过CMAC神经网络与PD的复合控制实现前馈反馈控制,PD控制器的参数由模糊推理机自适应整定,以减小网络诱导时延及其不确定性对系统的负面影响,优化系统控制效果。最后对该控制方法进行了仿真研究,结果表明该方法能有效改善系统的控制性能。     

面向移动汇聚节点的无线传感器网络自适应路由方法

针对无线传感器网络面向移动汇聚节点的自适应路由问题,为实现路由过程中对节点能量以及计算、存储、通信资源的优化利用,并对数据传输时延和投递率等服务质量进行优化,提出一种基于强化学习的自适应路由方法,设计综合的奖赏函数以实现对能量、时延和投递率等多个指标的综合优化。从报文结构、路由初始化、路径选择等方面对路由协议进行详细设计,采用汇聚节点声明以及周期性洪泛机制加速收敛速度,从而支持汇聚节点的快速移动。理论分析表明基于强化学习的路由方法具备收敛快、协议开销低以及存储计算需求小等特点,能够适用于能量和资源受限的传感器节点。在仿真平台中通过性能评估和对比分析验证了所述自适应路由算法的可行性和优越性。     

基于强化学习的网络时延自动化控制数学建模研究

传统的网络时延控制模型在分析时延原因时,仅从宏观角度分析,缺少建立网络模型的过程,导致时延控制能力差、数据传输时间长、丢包率大的问题。为解决此问题,设计一种基于强化学习的网络时延自动化控制模型。该模型的构建主要分为两部分,先是确定网络模型,具体分析网络时延出现的原因,在此基础上,利用强化学习中的Q学习算法构建自动化控制模型,以解决网络时延问题。实验结果表明:与传统的基于均衡调度的网络时延控制模型相比,该模型对网络时延的控制性能更好,且数据包传输时间缩短3.7 s,数据包丢包率降低5%,应用优势明显。     

基于动态神经网络的时延自动化控制数学建模研究

为构建控制误差更低、上行负载降低效果更好的时延自动化控制数学模型,借鉴现有研究成果,设计一种基于动态神经网络的时延自动化控制数学建模方法。构建移动带宽动态分配模型,统一调度PON资源与无线资源。构建的移动带宽动态分配模型由基带处理单元、无输出变压器等构成。在通信过程中分析时延不确定因素,通过概率图模型化简时延不确定因素所构成的概率模型,使概率模型的后续学习更快,时延自动化控制的搜索速率更高。基于动态神经网络设计一种在线学习算法,使概率模型化简结果能够在线学习,通过概率图在线学习实现时延自动化控制,对该过程实施数学建模。仿真LTE网络和无源光纤网络通信参数,测试设计方法的控制性能。测试结果为设计方法在LTE网络规模增大的情况下能够保持较低的控制误差,能够实现通信系统上行负载的降低,降低系统的通信负担。说明设计方法能够很好地服务于各种通信系统。     

基于信息几何的统计回馈神经网络非线性自适应预测控制

研究统计回馈神经网络(SRNN)的非线性自适应预测控制.基于混合统计模型,利 用信息几何的处理方法,将SRNN的参数估计转化为一般的线性ARMA系统的最小均方误 差参数估计算法,最终获得SRNN参数估计.获得RNN预测的参数估计以后,可以十分方便 地利用线性ARMA系统的控制规律来设计SRNN的预测控制规律,解决了非线性SRNN预 测参数估计、复杂非线性系统控制规律设计等问题.在研究单隐元SRNN的基础上,进一步 探讨了多隐元SRNN的自适应预测控制问题.     

基于变学习率CMAC网络的自适应逆控制研究

提出一种改进学习算法的CAMC网络结构,并应用于非线性系统控制。该算法可保证网络的学习率随着系统工作点的变化而自适应变化,加快了网络的收敛速度,提高了系统的自适应能力。文中分析了CAMC网络用于自适应逆控制过程中,网络学习率对网络收敛特性的影响,论证了自适应学习率在网络学习中的作用,并给出了学习率自适应学习的具体训练方法。最终将该方法应用于三阶机械手模型的逆运动控制,给出了基于普通CMAC的逆运动控制的控制曲线和基于改进学习算法后的CMAC的逆运动控制的控制曲线,并给出了分析和对比,论证了改进的学习算法的优越性。     

一种基于移动IP自适应预测切换机制

移动IP切换存在切换延迟大,数据包易丢失的问题。切换时延由移动检测时延和注册时延组成,而移动检测时延在其中占主要部分。该文提出一种自适应主动预测邻居单播的切换机制,采用自适应主动预测算法,根据移动节点运动情况和网络状况等进行综合预测,并通过反馈结果对算法进行动态调整,方案中充分考虑了乒乓效应等特殊情况;还结合层次移动管理方法,减小注册时延,同时采用预测邻居单播,减轻网络负担,实现了快速平滑的切换。     

一种均衡时延和精确性的自适应融合算法研究

针对无线传感器网络中时延小和精确性高不能兼得这一状况,提出了一种建立在博弈模型基础上的均衡时延和精确性的自适应数据融合方法。该方法将所有网络节点根据能耗最优进行分簇,簇头与监控中心通过博弈来自适应地选择不同融合因子的融合算法使整个网络的总效益最大。实验仿真表明,在丢包率不同时,自适应融合算法可以得到最佳的融合因子,有效实现了时延和精确性的均衡。该方法为无线传感器网络中各个指标的折中提供了参考方向。     

基于强化学习的模型参考自适应控制

提出了一种基于强化学习的模型参考自适应控制方法,控制器采用自适应启发评价算法,它由两部分组成:自适应评价单元及联想搜索单元.由参考模型给出系统的性能指标,利用系统反馈的强化信号在线更新控制器的参数.仿真结果表明:基于强化学习的模型参考自适应控制方法可以实现对一类复杂的非线性系统的稳定控制和鲁棒控制,该控制方法不仅响应速度快,而且具有较高的学习速率,实时性较强.     

一种基于移动IPv6的自适应预测切换机制

移动IPv6切换依然存在切换延迟大、数据包易丢失的问题．切换时延由移动检测时延和注册时延组成,而移动检测时延在其中占主要部分．于是提出一种基于移动IPv6的自适应主动预测邻居单播的切换机制,采用自适应主动预测算法,根据移动节点运动情况和网络状况等进行综合预测,并通过反馈结果对算法进行动态调整,方案中充分考虑了乒乓效应等特殊情况;还结合层次移动管理方法,减小注册时延,同时采用预测邻居单播,减轻网络负担,实现了快速平滑的切换．     

Observer-Based Adaptive Controller Design of Flexible Manipulators Using Time-Delay Neuro-Fuzzy Networks

In this paper, a dynamical time-delay neuro-fuzzy controller is proposed for the adaptive control of a flexible manipulator. It is assumed that the robotic manipulator has only joint angle position measurements. A linear observer is used to estimate the robot joint angle velocity. For a perfect tracking control of the robot, the output redefinition approach is used in the adaptive controller design using time-delay neuro-fuzzy networks. The time-delay neuro-fuzzy networks with the rule representation of the TSK type fuzzy system have better learning ability for complex dynamics as compared with existing neural networks. The novel control structure and learning algorithm are given, and a simulation for the trajectory tracking of a flexible manipulator illustrates the control performance of the proposed control approach.     

基于空时扩展虚拟阵列的高分辨率多参数联合估计

针对雷达、声纳、移动通信等系统中对多个目标方位、速度与距离等信息同步提取的要求,文章通过对原始数据的时延补偿等处理,构造了具有时移旋转不变性的一组虚拟相关矩阵,提出了一种基于空时扩展虚拟传感器阵列的二维方位角、多普勒频率和相对时延联合估计的新方法。该方法对于噪声不敏感,可应用于低信噪比环境,具有较高的估计精度,且无需谱峰搜索,各参数在求解过程中自然配对,理论可同时处理的目标数目超过系统阵元数限制。算法对于传感器阵列的结构无特殊限制,可应用于任意常见阵列如均匀方阵、“L”阵、圆阵等等,具有很好的理论价值以及应用前景。理论分析与计算机仿真实验都证明了算法的有效性。     

Reinforcement learning-based event-triggered optimal control for unknown nonlinear systems with input delay

The optimal control issue of discrete-time nonlinear unknown systems with time-delay control input is the focus of this work. In order to reduce communication costs, a reinforcement learning-based event-triggered controller is proposed. By applying the proposed control method, closed-loop system's asymptotic stability is demonstrated, and a maximum upper bound for the infinite-horizon performance index can be calculated beforehand. The event-triggered condition requires the next time state information. In an effort to forecast the next state and achieve optimal control, three neural networks (NNs) are introduced and used to approximate system state, value function, and optimal control. Additionally, a M NN is utilized to cope with the time-delay term of control input. Moreover, taking the estimation errors of NNs into account, the uniformly ultimately boundedness of state and NNs weight estimation errors can be guaranteed. Ultimately, the validity of proposed approach is illustrated by simulations.     

一种通用学习网络自适应算法及其在预测控制中的应用

针对黑箱过程的辨识与控制,本文提出了一种选择通用学习网络(universal learning network,ULN)节点间延迟时间参数的自适应算法,并将其应用于对控制对象中的纯滞后参数的辨识．将通用学习网络与PID控制器相结合,应用于包含大滞后的系统的模型预测控制(model predictive control,MPC)中．仿真结果证明通用学习网络能够有效地辨识被控对象的纯滞后时间,并能够作为预估器应用于模型预测控制系统中．     

频分多址系统分布式强化学习功率控制方法

近年来,深度强化学习作为一种无模型的资源分配方法被用于解决无线网络中的同信道干扰问题。然而,基于常规经验回放策略的网络难以学习到有价值的经验,导致收敛速度较慢;而人工划定探索步长的方式没有考虑算法在每个训练周期上的学习情况,使得对环境的探索存在盲目性,限制了系统频谱效率的提升。对此,提出一种频分多址系统的分布式强化学习功率控制方法,采用优先经验回放策略,鼓励智能体从环境中学习更重要的数据,以加速学习过程;并且设计了一种适用于分布式强化学习、动态调整步长的探索策略,使智能体得以根据自身学习情况探索本地环境,减少人为设定步长带来的盲目性。实验结果表明,相比于现有算法,所提方法加快了收敛速度,提高了移动场景下的同信道干扰抑制能力,在大型网络中具有更高的性能。     

Novel adaptive neural control design for nonlinear MIMO time-delay systems

In this paper, we address the problem of adaptive neural control for a class of multi-input multi-output (MIMO) nonlinear time-delay systems in block-triangular form. Based on a neural network (NN) online approximation model, a novel adaptive neural controller is obtained by constructing a novel quadratic-type Lyapunov-Krasovskii functional, which not only efficiently avoids the controller singularity, but also relaxes the restriction on unknown virtual control coefficients. The merit of the suggested controller design scheme is that the number of online adapted parameters is independent of the number of nodes of the neural networks, which reduces the number of the online adaptive learning laws considerably. The proposed controller guarantees that all closed-loop signals remain bounded, while the output tracking error dynamics converges to a neighborhood of the origin. A simulation example is given to illustrate the design procedure and performance of the proposed method.     

An output delay approach to fault estimation for sampled-data systems

The problem of fault estimation for a class of non-uniformly sampled-data systems is investigated from the time delay point of view in this paper.Firstly,the output delay approach is employed to model the sampled-data system as a continuous-time one with time-varying delay output.Then,based on the analysis of the inapplicability of the adaptive fault diagnosis observer in such class of time-delay systems,a novel augmented fault estimation observer design method is proposed to guarantee the exponential convergence of the estimation errors.Furthermore,an extension to the case of time varying fault estimation for the noisy sampled-data systems is studied.Finally,simulation results of a flight control system are presented to demonstrate the effectiveness of the proposed method.     

Adaptive fuzzy dynamic surface control for uncertain discrete-time non-linear pure-feedback MIMO systems with network-induced time-delay based on state observer

In this paper, a state observer-based adaptive fuzzy dynamic surface control is developed for uncertain discrete-time non-linear pure-feedback multiple-input-multiple-output (MIMO) systems with network-induced time-delay. The uncertainties are approximated by a set of adaptive fuzzy logic systems, with the adjusted parameters updated by a simplified recursive least squares estimation algorithm, combined with a state observer. For a constant known network-induced time-delay, the proposed modified dynamic surface control utilising the predicted system states, expands the acceptable network-induced time-delay and stable operating range for a discrete-time non-linear pure-feedback MIMO system in the network. The simulation results indicate that the presented method is effective.     

一类远程控制系统的时延补偿H∞鲁棒控制

针对一类有扰动的多时延不确定模型的远程控制系统,为了有效减少网络时延对系统的影响,提出了一种改进Smith补偿H∞鲁棒控制算法;在给出系统体系结构的基础上,应用改进Smith补偿器将含有网络时延的系统鲁棒性能问题转化为无时延的鲁棒性能问题,并对系统存在的模型不确定性和干扰问题引入H∞混合灵敏度设计方法设计了鲁棒控制器;此方法适用于工业现场为无线传感器网络的远程控制系统,通过对存在乘积性的不确定系统进行仿真研究,证明该算法具有良好的控制品质和动态性能。