应用于aqm的神经网络pid控制器优化设计

《应用于aqm的神经网络pid控制器优化设计》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、应用于AQM的神经网络PID控制器优化设计周雪寒（桂林电子科技大学，广西桂林541004）【摘要】主动队列管理（AQM）在解决网络拥塞问题中扮演着重要角色，为了解决AQM的PID参数不能随时间调整，且不能适应动态和非线性网络的缺点，本文提出了一种新的PID控制器算法。新算法结合了PID控制和神经网络算法两者的优点，同时新的AQM算法在时延、吞吐量和稳定性方面均优于一般的PID控制器。.jyqkisedDesignofNeuralNetanagement(AQM)playsasignificantroleineterscannotbea

2、djustede,cannotbeadaptedtothedynamicandnonlinearbinestheadvantagesofbothPIDcontrollerandneural,atthesametime,theneissuperiortoatypicalpidcontrolleronthetimedelay,throughputandqueuestability.【KeyEarlyDetection，RED）是最早提出的符合主动队列管理思想的算法，它的基本思想是在缓冲区溢出或网络拥塞发生之前随机的丢弃数据包。对于不同的网

3、络条件，RED算法的参数很难调整，同时RED算法的参数对不同网络负载非常敏感。随着TCP协议和模拟计算机网络的发展，基于控制理论的AQM成为了一个研究热点。相比RED算法，在AQM中基于经典控制理论的P与PI控制器都有很好的队列稳定性，但它们的响应速度较慢。文献1基于增益和相位裕度提出了一种PID控制器，它比RED算法具有更好的队列稳定性，但PID控制器的参数很难调整，尤其是在不确定的时变网络环境中更难调整。为了解决AQM和E标记的问题，文献[2]提出了一种基于神经网络的自适应PID控制器，为了克服PID控制器在AQM中的不足，本文基

4、于神经网络提出了一种改进的PID控制算法，新算法结构简单易于实现。1TCP/AQM系统模型2基于神经网络PID控制器的设计文献[4]首先提出了基于神经网络的PID控制器，本文基于在线自学习和任意函数近似表示性能，利用PID控制器解决网络拥塞问题。在AQM中，我们根据网络的变化对损失概率进行调整，由于信息源能根据丢包程度不同随时间进行响应，因此我们采用一个简单的基于神经网络的PID控制器（SPIDNN）作为输出。SPIDNN是三层前馈神经网络，其结构设定为2*3*1。神经网络的输入层有两个神经元，可以接收两个输入信息。隐含层有三个神经元

5、，它们分别是比例、积分、微分神经元，这些神经元可以实现比例、积分、微分操作。输出层只有一个神经元作为控制器的输出，图2是一个基于神经网络的PID控制器框图。3两种提高SPIDNN学习率的方法一种是附加动量法。在从输入层到输出层网络权值学习的过程中，我们不仅要考虑误差在梯度中所起的作用，同时还要考虑误差的影响趋势。为了避免在学习过程中的权值振荡，收敛速度慢和目标函数陷入局部极小值，我们可以用附加动量法。该方法从本质上考虑先前的权值在当前权值中所起的作用，因此它能确保权值调整方向的正确性，最终通过反响传播算法得到新的权值。权值调整的新规则

6、如下：在上式中K是训练次数，?琢为动量因子。另一种是自适应学习速率法。在SPIDNN算法中?浊是学习速率，它的值影响SPIDNN的学习速度，如果学习率小，该算法的收敛性较好，但学习速度慢。如果学习率大，学习速度快，但该系统易于振荡。在学习速率固定的情况下，很难在收敛和学习速度间得到一个平衡。通常人们根据根据经验来选取学习率。对于一个固定的学习率，训练开始是更好的，但在后面的训练中可能就不适合了。为了解决这个问题，可以在训练过程中不断调节学习率。自适应学习速率法的基本思想是：将当前误差与先前误差进行对比，如果误差反弹或上升，表明过调制，

7、然后我们就减少学习率。如果误差一直在下降，表明学习率较小应该增大，当误差再次反弹时，我们再次减小学习速率，从而反复对收敛速度进行调整，这种方法也避免了自适应学习陷入局部极小。自适应学习率的计算公式如下：4小结本文提出一种新的应用于AQM的神经网络PID控制器算法，提出了两种学习率改进方法，本文算法结合了PID控制和神经网络算法两者的优点，同时在时延、吞吐量和稳定性方面均优于一般的PID控制器。.jyqkarginspecificationsusingfuzzyneurals,1999,101(1):21-30.［２］ZhouC,Zha

8、ngL,ChenQ.AnadaptivePIDcontrollerforAQMarksbasedonneuralunicationRevie[M].NationDefenseIndustryPress.Beijing.2