基于改进型RBF神经网络辨识的PID控制

基于RBF神经网络的PID无线AQM算法陈亮【摘要】PID算法能较好地控制队列长度,但算法中比例积分微分系数较为敏感,基于试凑和经验的设定往往使控制效果难以保证,根据Ad Hoc网络环境参量时变的特点,推导了无线TCP/AQM模型,将递推计算修正功能引入PID算法,设计了一种基于RBF神经网络的PID的AQM,该算法可以在线调整PID控制器增益.仿真表明:在动态拓扑、无线分组丢失的Ad Hoc网络中.该算法取得了较好的队列控制效果.【期刊名称】《南通纺织职业技术学院学报》【年(卷),期】2009(009)003【总页数】5页(P14-18)【关键词】无线自组网;拥塞控制;主动队列管理;PID;RBF【作者】陈亮【作者单位】南通纺织职业技术学院,南通,226007;南京理工大学计算机科学与技术学院,南京,210094【正文语种】中文【中图分类】TP393Ad Hoc网络是由一组带有无线收发装置的移动节点组成的临时性自组织网络系统，具有无中心控制、动态拓扑、多跳无线连接的特点.无线节点的大规模密集部署、多跳的多对一的通信方式、无线链路质量和拓扑结构的动态变化、外界对无线链路的干扰，以及突发事件导致的流量突发等，这些都容易引起无线网络的局部或全局拥塞[1].由于传统TCP不能区分分组丢失原因，往往触发不必要的拥塞控制，从而导致传统TCP在无线网络中性能低下.随着Ad Hoc网络规模的日趋庞大，结构日趋复杂，仅仅依靠端到端的拥塞控制是不够的[2].由此考虑在Ad Hoc网络的中间节点引入主动队列管理（Active Queue Management，AQM）机制，通过动态管理并检测路由中的数据堆栈长度来预知可能产生的网络拥塞，并及时通知源端，使之能够提早采取措施，从而尽量避免更严重的数据丢失，实现对无线网络拥塞的监测和预防.近年来人们利用基于经典控制理论的AQM算法[3]提高网络系统的健壮性和稳定性，但通过工程设计可以发现，PID等经典控制对被控对象的时变比较敏感，面对Ad Hoc网络拓扑灵活、参量时变的特点，网络环境往往会超出控制器设计的范围，经典控制很难适应这种变化.一方面，PID控制器系数的选取主要基于经验和实验，另一方面，控制性能依赖于控制器参数的选取，由于不能自适应调整控制器参数，当网络环境变化时控制效果也不够理想，这是其需要进一步改进的地方.为了解决这些问题，本文将RBF神经网络引入控制器中，组成基于RBF神经网络的PID智能控制器，新算法具有在线学习和自适应调整PID参数的功能，仿真结果表明，基于RBF的PID算法在无线网络AQM中获得了较好的控制效果.1.1 控制对象建模基于流体流理论，Misra等把Internet中的信息流看作一个连续的流体，给出了TCP／AQM的微分方程，从而可以使用控制理论研究AQM[4].Hollot等人又对该微分方程做了线性化处理，建立了AQM作用下TCP连接的拥塞窗口的非线性动态模型[5].Misra提出的Internet非线性动态模型如下：W为TCP拥塞窗口大小（单位：分组）；q为队列长度（单位：分组）；R为往返时间（单位：秒）；C为链路容量（单位：分组／秒）；N为负载（TCP连接数量）；p（t）为分组丢弃概率.设系统稳态下的往返传输时间是R0，TCP连接数目是N，理想队列长度是q0，丢包率是p0，在此，认为研究对象为具有延时的网络，经过线性化和拉普拉斯变换，得到受控对象的传递函数：其中TCP／AQM控制系统方框图见图1.被控对象离散模型的建立十分重要，针对Ad hoc网络TCP／AQM时延系统，推导如下：由式（2），而零阶保持器的传递函数为对上面的控制对象G（s）进行Z变换并离散化，设采样时间为Ts.Z[G（s）]=Z[P （s）Gh（s）]，化简得:根据Z变换的延迟特点，对上式取z的逆变换，到差分方程：式（4）为Ad hoc网络时延被控对象TCP／AQM的离散数学模型，其中符号y 代表队列长度q，符号u代表丢弃概率p.1.2 基于RBF网络的PID控制器径向基函数（Radial Basis Function，RBF）神经网络是由J．Moody和C．Darken提出的一种具有单隐层的三层前馈网络.由于它模拟人脑局部调整、相互覆盖接收，因而具有以任意精度逼近任意连续函数的能力，同时其结构和学习算法也比较简单[6].RBF神经网络作为一种三层前馈网络，由输入到输出的映射是非线性的，而隐含层空间到输出空间的映射是线性的，从而大大加快了学习速度并避免局部极小问题，其结构如图2所示.在RBF网络结构中，X=[x1，x2，…，xn]T为网络的输入向量.设RBF网络的径向基向量H=[h1，h2，…，hm]T，其中高斯基函数网络的第j个节点的中心矢量为Cj=[cj1，cj2，…，cji，…，cjn]T，i＝1，2，…n.设网络的基宽向量为B=[b1，b2，…，bm]T，网络的权向量W=[w1，w2，…，wm]T.辨识网络的输出为ym（k）=w1h1+w2h2+…+wmhm.辨识器的性能指标函数为根据梯度下降法，输出权、节点中心及节点基宽参数的迭代算法如下：式中，η为学习因子，α为动量因子.Jacobian阵（对象的输出对控制输入的灵敏度信息）算法为1.3 基于RBF网络的PID整定原理控制器由两部分组成：其中C（s）是PID控制器，它直接对被控对象进行闭环控制，比例积分微分的参数分别为kp，ki，kd；RBF神经网络动态整定kp，ki，kd，以适应控制对象的变化.线性化后的系统方框图如图3所示，P0（s）e-R0s是被控对象TCP／AQM系统.上述三式中，为被控对象的信息，可通过神经网络的辨识而获得.2.1 仿真算法对于无线网络仿真，一般使用NS2，它是一种面向对象的网络仿真器，采用离散事件驱动（discrete event driven）作为引擎，但NS2也存在结构复杂、仿真时间过长等问题，本文则使用Runge－Kutta法解微分方程组（1），求解W、q （t）的解，从而实现无线性能仿真，该方法实现较为简单，由于只关注无线拥塞性能，时间花销也较小.2.2 仿真结果无线环境配置如下：无线节点S1，S2，S3…SN通过中间节点G向目的节点D发送数据，节点G初始坐标（100，125），节点D坐标（200，280），其余节点都在坐标（0，0）至坐标（50，50）的区域内，拓扑结构如图4所示，瓶颈节点G分别采用RBF－PID和PID.R为往返时间，C为链路容量，N为负载，无线节点G为瓶颈节点，其接口队列长度为100Packets，仿真时间100s，链路容量C＝1Mb／s＝250packets／s（500Byte／packet），TCP流数目N＝15，采样时间为Ts=0.01s，理想队列长度是q0＝50，瞬时队列与平均队列仿真如图5及图6所示.通过仿真可以发现，基于RBF神经网络的PID算法可以将瞬时队长控制在理想队长附近，获得较好的动态性能，两种算法的性能比较如表1所示.另外，平均队长稳定在44个分组左右，因为无线网络除了拥塞丢失分组以外，也存在一定的无线信道丢失分组的现象.主动队列管理的PID算法可以取得较好的队列控制效果，但由于无线网络的动态特性，会给PID算法在Ad hoc网络中的应用带来很大限制.为了更好地设计AQM控制器，本文在Ad hoc网络环境下，利用RBF神经网络的特点，设计整定了基于RBF网络的PID控制器.通过仿真发现，新算法在瓶颈结点的主动队列管理上取得了较好的控制效果.【相关文献】[1] 孙利民，李波，周新运．无线传感器网络的拥塞控制技术[J].计算机研究与发展，2008，45（1）：63－72．[2] 李千目，戚涌，许满武，等．基于模糊神经网络的移动组网拥塞预测[J].计算机科学，2006，33（10）：37－39．[3] REN Feng－yuan，WANG Fu－bao，REN Yong，etc.．PID controller for active queue management[J].Journal of Electronic and Information，2003，25（1）：94－99．[4]MISRA V，GONG WB，TOWSLEY D．Fluid－Based analysis of a network of AQM routers supporting TCP flows with an application to RED[C]//Proceedings of the ACM SIGCOMM．Stockholm：ACM Press，2000：151－160．[5] HOLLOT C，MISRA V，TOWSLEY D，etc.．A control theoretic analysis ofRED[C]//Proceedings of the IEEE INFOCOM．Anchorage：IEEE Press，2001：1510－1519．[6] 刘金琨．先进PID控制及其MATLAB仿真[M]．北京：电子工业出版社，2004．。

基于RBF神经网络的PID在线整定及仿真
霍柳行;董爱华
【期刊名称】《微计算机信息》
【年(卷),期】2010(026)034
【摘要】本文介绍了一种基于RBF神经网络辨识的PID参数在线调整方法.首先介绍了RBF网络整定PID参数的原理,采用梯度下降算法作为监督学习算法.然后通过对选定的实例进行仿真分析,并与传统PID单回路控制系统做了对比.仿真结果表明:运用RBF网络的PID控制系统稳定性好、抗干扰能力强,具有较强的自适应性,能快速的对输入信号进行跟踪.
【总页数】3页(P224-225,189)
【作者】霍柳行;董爱华
【作者单位】454000,河南焦作,河南理工大学电气工程与自动化学院;454000,河南焦作,河南理工大学电气工程与自动化学院
【正文语种】中文
【中图分类】TP273
【相关文献】
1.基于RBF神经网络PID参数的自调节及仿真 [J], 史磊;王蔚;;
2.基于S函数的RBF神经网络PID控制器Simulink仿真 [J], 李绍铭;赵伟
3.基于RBF神经网络PID参数的自调节及仿真 [J], 史磊;王蔚
4.基于改进RBF神经网络PID控制的液压起重机节能仿真 [J], 李锐;崔宇
5.基于遗传算法的车辆ABS在线整定PID控制及仿真 [J], 唐国元;宾鸿赞
因版权原因，仅展示原文概要，查看原文内容请购买。