多模型预测控制算法

文中把动态矩阵预测控制算法（ＤＭＣ）与广义预测控制算法（ＧＰＣ）有效地综合起来，构成多模型预测控制算法，改善了控制品质，仿真结果表明了它这种算法的优越性。     

ATM网络中基于速率的负反馈拥塞控制算法

讨论了异步传输模式（ＡＴＭ）网络中适用于可用比特速率（ＡＢＲ）业务的基于速率的流量控制机制,提出了计算及优化拥塞控制参数的数值计算方法,目的是用最小的缓存达到最大的链路利用率．     

802.11多速率无线局域网中的竞争窗口控制算法

针对此类网络的饱和吞吐量模型,分析了速率调整无法降低帧冲突的原因以及发送节点的尝试发送帧概率对网络性能的影响.基于发送节点的尝试发送帧概率和竞争窗口大小之间的关系,提出了一个802.11多速率无线局域网中控制竞争窗口的方法,该方法通过估计局域网中的平均连续空闲时隙数来控制竞争窗口,因此能够主动减少由于节点数量大造成的帧冲突,从而提高网络性能.模拟实验表明,在802.11多速率无线局域网中,竞争窗口控制算法的引入可以在已有的速率调整算法的基础上使网络性能大大提高,获得更好的吞吐量和公平性.     

Ad Hoc网络中支持拥塞控制的速率自适应协议

Ad Hoc网络中节点需要竞争共享信道,容易使部分节点发生拥塞而丢弃部分分组,造成带宽资源浪费。为了更有效地利用Ad Hoc网络物理层的多速率能力,提出了一种支持拥塞控制的速率自适应协议,引入了可变发送窗口机制,接收节点根据信道质量选择可用的最高传输速率,并根据其队列拥塞程度控制发送端节点的发送窗口,发送节点按照发送窗口的大小连续发送多个数据帧。仿真结果表明,该协议能够充分利用信道条件,在网络重负载的条件下,饱和吞吐量提高80%,并能够调整拥塞节点的分组进出速率,有效地控制了网络拥塞。     

一种基于BP网络的预测控制算法及其应用

将传统预测控制的优化策略与神经网络逼近任意非线性函数的能力相结合,提出了一种基于BP神经网络的新的预测控制算法,并针对一个工业装置控制实例,探讨了该算法在工业过程控制中的应用。仿真研究结果表明,该神经网络预测控制算法是切实可行的。     

多瓶颈节点ATM网络预测拥塞控制方法

应用广义预测控制(GPC)方法,对多瓶颈节点的网络设计了一种ABR反馈控制方法,保证了闭环控制的稳定性,降低了网络的拥塞程度和持续时间,最大化了网络资源的利用率,同时极小化了高优先级业务对系统性能的影响.     

基于神经网络的预测拥塞控制算法

利用神经网络的方法，研究了Internet网络路由器中的拥塞控制问题．根据过去相邻两个时刻缓存器中队列长度值的变化量来预测下一时刻路由器中队列长度值，及时调整控制增益的大小以防止拥塞的发生，该方法可以使路由器中队列长度稳定在一个期望值附近．仿真表明，该控制方法可以有效地保证网络系统中信息的平稳传输．     

非均匀采样系统的支持向量回归建模与控制

针对非均匀采样系统提出了一种基于支持向量回归的预测控制算法.应用提升技术将非均匀采样系统分解为多个并列的子系统,建立了各子系统的支持向量回归模型,将该模型作为预测模型提出了新的优化目标函数,可将控制量更新周期内的系统输出作为优化目标.在多通道电液力伺服同步加载系统中的应用结果表明,该预测模型可以达到比较高的预测精度,且各子系统的模型有一致的预测误差水平.对加载系统控制的仿真试验结果表明,该算法有很好的控制性能,而且通过设计合适的优化目标函数,可以避免数字控制系统中的计算延迟和抑制期望轨迹突变时的超调.     

广义预测算法在网络控制系统中的应用

在网络控制系统中,由于网络的引入不可避免的导致信息的延时.从而使得控制系统的性能下降甚至导致系统不稳.本文在分析网络时延特性的基础上,采用广义预测控制策略对进行时延补偿,并利用Matlab对被控对象进行了仿真实验研究.仿真结果表明该控制策略能使得网络控制系统具有良好性能.     

融合压缩感知与网络编码的多速率与变速率传输

结合压缩感知与网络编码的优势,面向单信源异构信宿网络,研究压缩感知观测数据基于线性网络编码的多速率与变速率传输.研究压缩感知观测矩阵与网络编码全局编码核矩阵的联合等效,设计了一种融合有限域压缩感知与线性广播网络编码的精细粒度多速率传输方案;研究压缩感知观测矩阵、线性广播类型保持降维转换矩阵和网络编码全局编码核矩阵的联合等效,基于有限域压缩感知与变速率线性广播,为多媒体数据设计了一种变速率-多速率传输方案.     

基于动态矩阵方法的网络控制系统补偿策略

针对网络控制系统数据包不确定的问题,分析了该特性对网络控制系统的影响以及目前的控制方法,设计了控制器节点由事件-时间驱动,传感器节点和执行器节点由时间驱动的分布式网络控制系统模型.在此基础上,根据预测控制中动态矩阵方法具有的简单实用的特点,提出了基于动态矩阵方法的时延控制和数据包丢失补偿策略.应用此策略进行了仿真,结果表明补偿后的系统输出与存在网络时延,但数据包按时到达的系统输出几乎一致,验证了该策略的有效性.     

预测函数控制在确定性网络控制系统中的应用

针对网络控制系统具有不确定时滞的特性,通过在节点中设置缓冲区的方法将随机时滞转化为确定性时滞,从而将网络控制系统从随机系统转化为确定性时滞系统;针对这类时滞系统利用预测函数控制算法设计了控制器,以实现基于模型匹配和多步预测的思想来改善控制性能。通过仿真和基于DCS的模拟系统实验,结果均表明了该方法的正确性和有效性。     

基于观测器的长时延网络控制系统设计

该文针对存在时变有界长时延的网络控制系统，讨论了具有时延补偿功能的状态观测器以及状态反馈控制器的设计方法。状态观测器根据控制器接收数据包的情况在开环预测和闭环预测两种模式之间切换，以补偿时延的影响。控制器的输入采用观测器的预测状态，从而将系统建模为一类具有多个子系统的离散切换系统。在此基础上，给出了状态观测器与控制器协同设计的方法。仿真结果表明：该文提出的设计方法能够比未采用补偿策略的方法取得更好的控制性能。     

输入受限网络控制系统的鲁棒模型预测控制

针对一类带有随机时延的输入受限多面体不确定网络控制系统,提出了一种鲁棒模型预测控制算法．假设随机网络时延为Markov链,并考虑Min-Max无穷时域性能指标,用线性矩阵不等式方法给出了依赖于模态的状态反馈控制器．基于Lyapunov方法,得到了保证可行性和鲁棒随机稳定性的条件．仿真结果验证了算法的有效性．     

网络控制系统的建模方法综述

由于网络控制系统的复杂性,其建模问题一直没有得到很好解决。为此,总结了目前常见的网络控制系统的建模方法,分析了各种建模方法的优缺点,并在此基础上对网络控制系统的建模方法进行了展望,提出了建立具有多输入多输出、多回路延时的网络控制系统模型;将网络延时的不确定性转化为系统模型的不确定性,对网络控制系统进行建模;综合考虑控制与调度对网络控制系统进行建模等3个研究方向。     

基于TrueTime的非线性网络控制系统

针对非线性系统往往具有不确定性、结构复杂、建模困难、难于在网络条件下进行仿真研究的问题,建立了一个基于TrueTime的非线性网络控制系统.在对弹簧连接的双倒立摆耦合非线性系统模型进行Matlab/Simulink模块化建模的基础上,结合TrueTime的网络通信模块,利用设计的鲁棒控制器将对象模型的不确定性和网络时延的不确定性进行了综合处理.仿真结果表明,该系统不仅降低了非线性系统建模的复杂性,而且为研究网络控制系统结构下非线性系统的动态特性提供了条件.     

基于状态观测器的非一致采样系统状态反馈预测控制

针对控制信号不等间隔采样的非一致采样系统,提出了一种基于状态观测器的状态反馈预测控制算法．通过提升控制信号,设计了输入、输出同周期的非一致采样系统的状态观测器,并且给出了提升控制信号前后观测器系数矩阵的关系．运用线性矩阵不等式方法,解决了无穷时域二次型性能指标下的优化问题,给出了状态反馈预测控制器存在的充分条件．仿真结果证明了控制算法的有效性．     

网络控制系统的模糊动态调度算法研究

针对多回路的网络控制系统,本文同时考虑系统误差和误差变化率,设计了一种基于神经网络的模糊动态调度算法.该算法根据系统中各回路的误差和误差变化率,利用神经网络模糊控制的方法实时调整各回路的优先级,从而实现对网络控制系统的调度.最后,利用TrueTime工具箱建立了包含模糊动态调度器的网络控制系统仿真模型,并将其与RM和EDF调度算法进行对比.仿真结果表明,在相同的网络带宽占用条件下,本文所设计的模糊动态调度算法相比于RM和EDF调度算法,产生的网络诱导时延更小,且具有较好的控制性能.     

网络控制系统的变采样周期调度算法

综合考虑网络控制系统的误差、误差变化率、网络利用率及采样周期对系统性能的影响,设计了一种基于模糊反馈的变采样周期调度算法.该算法由网络利用率预测和采样周期调节两部分组成:网络利用率预测部分根据当前网络运行状况预测新的网络利用率;采样周期调节部分包含网络利用率分配和采样周期的计算.采样周期调节部分的网络利用率分配,用于重新分配各控制回路的网络利用率,分配时考虑系统各回路的误差和误差变化率,利用模糊控制理论调整各回路对网络的需求程度,完成分配;而采样周期计算是根据所得的网络利用率及数据的传输时间,动态调节系统各回路的采样周期.最后,结合EDF调度算法利用TrueTime工具箱对所研究的调度算法进行了仿真,结果表明采用本文所研究的变采样周期调度算法的控制系统性能要优于采用固定采样周期调度算法的控制系统性能.     

Wiener型系统基于神经网络的在线训练算法广义预测控制

利用RBF神经网络在训练算法和广义预测控制算法进行了Wiener型非线性模型预测控制的研究，仿真表明这种做法是可行的。