尽管BP神经网络的研究与应用已经取得了巨大成功，但是在网络的开发设计方面至今还没有一套完善的理论作指导。实际应用中的主要设计方法是在充分了解待解决问题的基础上将经验和试探相结合，通过多次试验，最终选出一个较好的方案。本文主要研究BP神经网络的引入对NCS性能的影响，重点并不在于其设计。所设计的BP-DDFS是利用TrueTime工具包在MATLAB仿真平台上实现的，所以可以运用MATLAB中的神经网络工具箱，建立高效、准确、快速的BP神经网络模型。
　选用1个3层BP神经网络来设计预测器。BP神经网络预测器的输入量是时限错过率，输出量是预测的下一调度周期的时限错过率。定义BP网络预测器的输入节点为5个，隐节点为10个，隐层的传递函数为logsig，输出节点为1个。首先运行基于DDFS的系统，每隔1个调度器周期采样一次任务时限错过率，将所得到的实验数据作为BP神经网络预测器的学习样本。接着对BP网络进行训练和测试，得到预测时限错过率和实际时限错过率，如图3所示。

　从图3可以看出，BP神经网络预测的时限错过率与实际的时限错过率相差不大，因此，神经网络被训练得适度，有较好的泛化能力。
3 仿真实验
　在DDFS的基础上添加BP网络预测器，NCS中的两个相同的子系统通过CAN型总线连接。子系统的采样频率都定为10 ms，控制器采用PID算法。网络上存在一个干扰节点，其作用是产生高优先级的包传送任务，占用一定比例的网络使用率。干扰流量以随机的方式产生，但可以保持所设定的网络占用率，可以设定为占用70%的带宽。时限错过率Mth为3%，仿真运行时间为6 s，BP-DDFS调度周期为50 ms。
　实验将BP-DDFS方法与动态死区反馈调度方法对系统性能的影响进行了对比。图4是子系统2分别在BP-DDFS和DDFS调度下QoC的表现。从图4可以看出，DDFS加入BP神经网络预测器后，子系统2的控制品质得到了进一步提高。

　在增大系统的干扰流量的情况下，网络资源急剧减少。此时，子系统2的控制表现如图6所示。在DDFS的调度下，子系统2超调量变大，在一些情况下甚至不稳定；而在BP-DDFS的调度下，子系统2仍是稳定的。加入BP网络预测器后，系统的控制性能得到了明显改善。

　与DDFS相比，BP-DDFS能进一步改善网络控制系统的性能。这是由于DDFS中的死区调度器是根据当前的时限错过率做出死区调整，而BP-DDFS是根据历史和当前的时限错过率对下一调度周期的错过率先进行预测，其中的死区调度器根据预测值提前调整死区大小，而不用等时限错过发生以后再调整。图7是两种调度算法的时限错过率比较，可以看出，BP-DDFS能更好地调节时限错过率，从而更好地调度了网络资源。

　本文提出了基于BP神经网络预测的动态死区反馈调度器（BP-DDFS），对于神经网络而言，其展示了一种新的应用，对于调度而言，其提出了一种新的解决方案。BP-DDFS利用BP神经网络的预测功能，对任务时限错过率进行预测，再根据预测值对死区提前调整，从而更好地调度了网络资源。仿真实验表明，与DDFS相比，BP-DDFS能进一步改善网络控制系统的性能，进一步提高应对负载变化的能力。
参考文献
[1] 王艳，蔡驿.网络控制系统反馈调度器的设计[J].电子学报，2007，35（2）：379-384.
[2] GAID M E M B， CALA A， HAMAM Y， et al.Optimal integrated control and scheduling of systems with communication constraints[C]. 44th IEEE Conference on Decision and Control， 2005 European Control Conference， CDC-ECC， 2005：854-859.
[3] BUTTAZZO G C， LIPARI G， ABENI L. Elastic scheduling for flexible workload management[J]. IEEE Transactions on Computers，2002，51（3）：289-302.
[4] ZHANG W， BRANICKY M S， PHILLIPS S M. Stability of networked control systems[J]. IEEE Control Systems Magazine，2001，21（1）：83-89.扁平线圈电感制造厂

 2/3   首页 上一页 1 2 3 下一页 尾页