CN102566428A - 一种基于错序认知的网络控制系统集成控制器设计方法 - Google Patents

一种基于错序认知的网络控制系统集成控制器设计方法 Download PDF

Info

Publication number
CN102566428A
CN102566428A CN201210004515XA CN201210004515A CN102566428A CN 102566428 A CN102566428 A CN 102566428A CN 201210004515X A CN201210004515X A CN 201210004515XA CN 201210004515 A CN201210004515 A CN 201210004515A CN 102566428 A CN102566428 A CN 102566428A
Authority
CN
China
Prior art keywords
incorrect order
control system
network
sampling rate
designing
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201210004515XA
Other languages
English (en)
Other versions
CN102566428B (zh
Inventor
李金娜
袁德成
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenyang University of Chemical Technology
Original Assignee
Shenyang University of Chemical Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shenyang University of Chemical Technology filed Critical Shenyang University of Chemical Technology
Priority to CN 201210004515 priority Critical patent/CN102566428B/zh
Publication of CN102566428A publication Critical patent/CN102566428A/zh
Application granted granted Critical
Publication of CN102566428B publication Critical patent/CN102566428B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Data Exchanges In Wide-Area Networks (AREA)
  • Feedback Control In General (AREA)

Abstract

一种基于错序认知的网络控制系统集成控制器设计方法，涉及网络控制系统控制器设计技术，包括以下步骤：基于实时统计分析的错序认知方法；基于错序认知的采样率自适应算法；采样率和被控对象联合控制的控制器设计；面向网络的闭环网络控制系统建模；面向网络的控制系统稳定性分析与性能优化。本发明以错序认知为基本依据、以集成控制为基本模式、以设计控制律自适应控制采样周期和被控对象为基本手段，以获得集成控制器设计关键技术为目标，不仅为解决网络控制系统的错序问题提供新的控制方法，为网络和控制一体化设计提供技术支持，而且对于实现高可靠、硬实时网络通信，提高应用系统性能，降低能耗，具有重要的实际意义。

Description

一种基于错序认知的网络控制系统集成控制器设计方法
技术领域
本发明涉及网络控制系统控制器设计技术，特别是涉及一种基于错序认知的网络控制系统集成控制器设计方法。
背景技术
网络控制系统能实现信息资源共享，远程操作，并具有操作简便、易于安装和维护、低费用等优点，迎合了工业、医疗和交通等领域实现低成本、节能、高效和智能化发展的迫切需要，被迅速应用到复杂的工业控制、远程医疗、智能交通等领域。网络控制系统以其深远的学术价值和广泛的应用前景，已经引起国内外学者的极度关注，成为国内外控制界研究的热点。
控制系统网络化应用领域的特点对可靠性、实时性和节能性等通信质量提出了更加严格的要求。可靠性方面，应用领域现场环境的复杂性，噪声、干扰存在的不可避免性，使得利用稀缺的信道资源实现可靠通信成为急需解决的难题；实时性方面，应用领域对实时性的要求非常严格，微小的延迟都会造成重大事故。具有硬实时保证的通信是控制系统网络化应用的基本要求；节能性方面，低能耗是保证设备长期运行、降低维护成本的关键，也是控制系统网络化应用的又一要求，特别是对电源更换困难的设备而言。网络的介入，不可避免地存在数据包错序现象，数据包错序已经是现代工业、远程医疗、商业等领域网络化应用中一个普遍存在的客观现象。数据包错序是指数据包提前或迟于到达接收端，也有部分文献仅将迟于到达接收端的数据包作为错序包。网络控制系统作为一个包括网络与控制的整体, 其性能既包括网络性能又包括控制性能。错序影响网络性能(带宽、传输率、吞吐量和时延等)和控制性能(超调量、稳态误差、相位裕度和跟踪误差等)。为满足应用领域现代化、网络化、智能化高速发展的需求，大量的信息流和高度的链路平行性，尤其是无线自组织网络(Ad Hoc)的应用，使错序呈现日益严重的趋势。鉴于错序对网络控制系统整体性能的影响，为保证可靠、实时的网络通信，降低能耗，获得较高的控制性能指标，网络控制系统有必要采用先进的控制技术，消除错序对系统性能的影响。而目前，能够同时满足上述可靠性、实时性以及节能性三方面要求的基于错序认知的网络控制系统集成控制器设计方法，尚未见报道。
发明内容
本发明的目的在于提供一种基于错序认知的网络控制系统集成控制器设计方法，即，提供一种可靠、实时、灵活、节能的、基于错序认知的网络控制系统集成控制器设计方法。
本发明的目的是通过以下技术方案实现的：
一种基于错序认知的网络控制系统集成控制器设计方法，该方法包括：基于实时统计分析的错序认知方法；
基于错序认知的采样率自适应算法；
    采样率和被控对象联合控制的控制器设计；
面向网络的闭环网络控制系统建模；
面向网络的控制系统稳定性分析与性能优化；
其集成控制器包括三个模块：认知模块，实现错序感知、识别和分析；计算模块，计算错序度量值，设计采样率自适应算法，计算联合控制采样率和被控对象的控制行为；监管模块，监督系统性能指标变化，调整控制器参数；
其错序认知过程包括错序感知、错序分析和错序决策；
其采样率自适应算法以错序认知为基本依据，根据采样率与错序熵统计信息之间的复杂耦合关系，构建采样率状态方程。
所述的一种基于错序认知的网络控制系统集成控制器设计方法，其所述的错序感知，通过采用数据包的期望到达序列数与接收索引(接收端分配)比较法实现错序的实时感知和识别；错序分析，基于熵的统计学意义，估计最大时延界                                               
Figure 201210004515X100002DEST_PATH_IMAGE002
，确定错序阈值
Figure 201210004515X100002DEST_PATH_IMAGE004
，采用直方图方法计算错序密度，获得错序熵的统计规律，其中，
Figure 201210004515X100002DEST_PATH_IMAGE008
表示偏移值为
Figure 201210004515X100002DEST_PATH_IMAGE010
的数据包的错序密度，
Figure 861721DEST_PATH_IMAGE004
为非负整数，表示错序阈值；错序决策：基于错序熵，采用迭代算法，建立采样周期的状态方程。
所述的一种基于错序认知的网络控制系统集成控制器设计方法，其所述的基于错序认知的采样率自适应算法具体步骤如下：
基于错序熵越接近0越有序，越大越无序的原理及其统计规律，应用回归分析方法，研究采样率与错序熵之间的复杂关系；
根据采样率关于错序熵的拟合曲线，选用适当步长和限制调控量因子；
基于
Figure 201210004515X100002DEST_PATH_IMAGE012
，采用迭代算法，建立采样周期的状态方程，其中，
Figure 201210004515X100002DEST_PATH_IMAGE016
表示第次采样时刻，
Figure 201210004515X100002DEST_PATH_IMAGE020
表示时刻的错序熵。
所述的一种基于错序认知的网络控制系统集成控制器设计方法，其考虑克服网络不利因素(错序、时延和丢包)的自身控制器设计的同时，实现采样率和被控对象一体化控制。
所述的一种基于错序认知的网络控制系统集成控制器设计方法，其采用抛弃晚到包策略，基于泰勒级数展开公式，处理时变采样周期，建模系统为具有多面体不确定项的离散系统；综合上述系统与采样周期状态方程，构建增广系统模型；设计反馈控制输入，令
其中，
Figure 201210004515X100002DEST_PATH_IMAGE022
为被控对象控制序列，为采样周期控制序列。
所述的一种基于错序认知的网络控制系统集成控制器设计方法，其网络的闭环网络控制系统建模方法为：针对网络传输时延和数据包丢失有界的网络，基于抛弃晚到包策略，根据数据包的偏移值，建立最新信号与偏移值之间的映射关系，获得执行最新信号的控制输入序列；由于，基于错序熵的统计信息，采用区间
Figure 201210004515X100002DEST_PATH_IMAGE026
有限划分和凸组合方法，构建具有多面体不确定项的闭环切换系统模型。 
所述的一种基于错序认知的网络控制系统集成控制器设计方法，其面向网络的控制系统稳定性分析与性能优化研究中，设计部分模型依赖自适应控制器，克服固定控制器参数具有的保守性，以及完全依赖模型自适应调整控制器参数的计算复杂性和增加的网络负载。
所述的一种基于错序认知的网络控制系统集成控制器设计方法，其设计应用系统性能和能量消耗权值比重，构建关于上述两种性能指标的具有权值的多目标效用函数；采用分段Lyapunov函数，利用平均处理时间技术、S-程序和线性矩阵不等式技术，研究系统的稳定性和性能优化，获得控制器设计方案。
所述的一种基于错序认知的网络控制系统集成控制器设计方法，其选用调节因子，构建部分模型依赖自适应控制器
Figure 201210004515X100002DEST_PATH_IMAGE028
其中，或
Figure 201210004515X100002DEST_PATH_IMAGE030
，
Figure 201210004515X100002DEST_PATH_IMAGE032
，为被控系统状态。
所述的一种基于错序认知的网络控制系统集成控制器设计方法，其集成控制器中监管模块，根据二次性能指标及网络QoS，自适应调节控制器调节因子
Figure 201210004515X100002DEST_PATH_IMAGE034
和
Figure 201210004515X100002DEST_PATH_IMAGE036
；如果性能良好，采用固定控制器参数；否则，采用模型依赖的控制器参数。
本发明的优点与效果是：
1.本发明是在充分考虑网络和控制系统特点的前提下提出的，具有实时、可靠、低能耗等优点，本发明错序的实时统计分析方法，不仅刻画了网络通信错序的动态特征，而且为控制器设计提供理论依据，有效消除错序对网络和控制系统性能的影响。方法便捷、高效、可行。
2.本发明以错序认知为依据，通过分析采样率和错序之间的耦合关系，建立采样周期关于错序熵的状态方程，并设置调节因子，自适应调节采样率变化幅度，获得采样率自适应算法。一方面考虑网络通信中错序现象，改善了网络性能，提高了网络的实时性、可靠性；另一方面采样率自适应状态方程的建立，简化了设计。
3.本发明突破传统的采样率自适应与控制器设计分离的方法，设计控制器联合控制采样率和被控对象。所提技术避免了传统采样率自适应算法自发适应调节可能存在的盲目性和无效性；联合设计方法计算少于复杂，便捷可行。
4.本发明通过集成控制器中监管模块功能，根据系统性能(包括网络性能和控制性能)指标变化，通过设置调节因子，采用部分模型依赖自适应控制器。此方法可以避免固定控制器设计和模型依赖自适应控制器设计存在的弊端，满足工业、医疗和交通等领域网络化控制应用低成本的实际需求，具有高性能、低能耗的特点。
5.本发明中系统性能优化中构建多维度目标函数，一方面考虑应用系统性能，另一方面考虑能量消耗，控制错序的同时，满足应用领域低开销、低成本和高性能的实际需求。
本发明设计的集成控制器还可以扩展到联合控制网络参数和控制参数，具有普适性。
附图说明
图1为本发明方法中具有集成控制器的网络控制系统架构示意图；
图2为本发明方法中数据包错序示意图；
图3为本发明方法实施例中的错序认知示意图；
图4为本发明方法实施例中采样率和控制系统联合设计结构示意图。
具体实施方式
下面通过具体实施例来介绍本发明中涉及的技术。需要强调的是，本发明涉及的技术并不仅适用于下面提及的例子，这些技术可以被用于任何适用的网络控制系统。
本发明基于错序认知的网络控制系统集成控制器设计方法，包括以下步骤：
(1) 基于实时统计分析的错序认知方法
(2) 基于错序认知的采样率自适应算法
(3) 采样率和被控对象联合控制的控制器设计
(4) 面向网络的闭环网络控制系统建模
(5) 面向网络的控制系统稳定性分析与性能优化
如图1所示，本发明涉及的技术针对具有集成控制器的网络控制系统结构，发明的集成控制器包括三个模块：
认知模块
实现错序感知、识别和分析；
计算模块
计算错序度量值，设计采样率自适应算法，计算联合控制采样率和被控对象的控制行为；
监管模块。
监督系统性能指标变化，调整控制器参数。
如图2所示，本发明给出错序示意图。数据包错序是指数据包提前或迟于到达接收端，也有部分文献仅将迟于到达接收端的数据包作为错序包。图2中发送端序列号为1,2,3,4,5,6。序列号为1的数据包正常顺序到达接收端，序列号为2和5的数据包迟于到达接收端，序列号为3,4,6的数据包提前到达接收端。
如图3所示，为了实现错序的实时感知、分析和决策，本发明给出错序认知循环的一个例子。具体包括：
错序感知阶段，采用数据包的期望到达序列数与接收索引(接收端分配)比较法。对于一个已经到达的序列包，如果期望到达序列数与接收索引相同，那么没有错序发生；如果第
Figure 201210004515X100002DEST_PATH_IMAGE038
Figure 201210004515X100002DEST_PATH_IMAGE040
个数据包的接收索引为
Figure 201210004515X100002DEST_PATH_IMAGE042
，
Figure 201210004515X100002DEST_PATH_IMAGE044
，那么错序已经发生。如果
Figure 201210004515X100002DEST_PATH_IMAGE046
，表明数据包来晚了，如果, 表明数据包来早了，如果表明数据包
Figure 312261DEST_PATH_IMAGE038
按期望顺序到达执行器；
错序分析阶段，从捕获错序信息能力、对丢包和重包低敏感性及计算复杂性角度，错序密度(RD)是一个较好的度量错序的方法，反映了数据包偏移值的离散概率分布。基于熵的统计学意义，即熵值直接反映了它所处状态的均匀程度，系统的熵值越小，它所处的状态越是有序，越不均匀；系统的熵值越大，它所处的状态越是无序，越均匀。本发明研究错序熵
Figure 645153DEST_PATH_IMAGE006
的统计规律。其中，表示偏移值为
Figure 385490DEST_PATH_IMAGE010
的数据包的错序密度，
Figure 145635DEST_PATH_IMAGE004
为非负整数，表示错序阈值。估计最大时延界，确定错序阈值
Figure 350352DEST_PATH_IMAGE004
，采用直方图方法计算错序密度，获得错序熵；
错序决策阶段，根据采样率关于错序熵的拟合曲线，选用适当步长和限制调控量因子。基于
Figure 424618DEST_PATH_IMAGE012
，采用迭代算法，建立采样周期的状态方程。其中，
Figure 201210004515X100002DEST_PATH_IMAGE052
为采样周期。需要说明的是，由于存在网络传输时延，在时刻，
Figure 899910DEST_PATH_IMAGE020
可能无法获得，应该利用时刻错序熵信息确定采样周期。其中，
Figure 201210004515X100002DEST_PATH_IMAGE054
表示第次采样时刻，
Figure 204301DEST_PATH_IMAGE020
表示
Figure 665369DEST_PATH_IMAGE014
时刻的错序熵。
如图4所示，为实例中采样率和控制系统联合设计结构示意图。发明中处理如下3个问题：
1）采样率和被控对象联合控制的控制器设计
本发明考虑克服网络不利因素(错序、时延和丢包)的自身控制器设计的同时，实现采样率和被控对象一体化控制。具体步骤如下：
（1）采用抛弃晚到包策略，基于泰勒级数展开公式，处理时变采样周期，建模系统为具有多面体不确定项的离散系统；
（2）综合上述系统与采样周期状态方程，构建增广系统模型；
（3）设计反馈控制输入，令
Figure 201210004515X100002DEST_PATH_IMAGE056
其中，
Figure 970580DEST_PATH_IMAGE022
为被控对象控制序列，
Figure 149888DEST_PATH_IMAGE024
为采样周期控制序列。
2） 面向网络的闭环网络控制系统建模
基于获得的增广系统和控制器设计方案，考虑网络通信中存在的错序、时延和丢包现象，构建闭环网络控制系统模型。具体步骤如下：
（1） 设最大连续丢包数为
Figure 362695DEST_PATH_IMAGE038
，，基于抛弃晚到包策略，根据数据包的偏移值，建立最新信号与偏移值之间的映射关系
Figure 201210004515X100002DEST_PATH_IMAGE058
其中，
Figure 201210004515X100002DEST_PATH_IMAGE060
。
获得执行最新信号的控制输入序列
其中，
Figure 201210004515X100002DEST_PATH_IMAGE062
；
（2） 由于，基于错序熵的统计信息，采用区间有限划分和凸组合方法，构建具有多面体不确定项的闭环切换系统模型。 
3）面向网络的控制系统稳定性分析与性能优化
由于网络环境动态变化，设计固定控制器参数具有一定的保守性，如果完全依赖模型自适应调整控制器参数，又增加计算复杂性，增加网络负载。因此，本发明设计部分模型依赖自适应控制器。具体步骤如下：
（1）以功能性为根本出发点，建立优化问题的多维度目标函数，控制错序的同时，满足应用领域低开销、低成本和实时性实际需求。设计应用系统性能和能量消耗权值比重，构建关于上述两种性能指标的具有权值的多目标效用函数。采用分段Lyapunov函数，利用平均处理时间技术、S-程序和线性矩阵不等式技术，研究系统的稳定性和性能优化，获得控制器设计方案；
（2） 选用调节因子，构建部分模型依赖自适应控制器
Figure 967431DEST_PATH_IMAGE028
其中，或，
Figure 634035DEST_PATH_IMAGE032
，
Figure 201210004515X100002DEST_PATH_IMAGE068
为被控系统状态；
（3）集成控制器中监管模块，根据二次性能指标及网络QoS，自适应调节控制器调节因子
Figure 588216DEST_PATH_IMAGE034
和
Figure 23877DEST_PATH_IMAGE036
。如果性能良好，采用固定控制器参数；否则，采用模型依赖的控制器参数。

Claims (10)

1.一种基于错序认知的网络控制系统集成控制器设计方法，其特征在于，该方法包括：基于实时统计分析的错序认知方法；
基于错序认知的采样率自适应算法；
采样率和被控对象联合控制的控制器设计；
面向网络的闭环网络控制系统建模；
面向网络的控制系统稳定性分析与性能优化；
其集成控制器包括三个模块：认知模块，实现错序感知、识别和分析；计算模块，计算错序度量值，设计采样率自适应算法，计算联合控制采样率和被控对象的控制行为；监管模块，监督系统性能指标变化，调整控制器参数；
其错序认知过程包括错序感知、错序分析和错序决策；
其采样率自适应算法以错序认知为基本依据，根据采样率与错序熵统计信息之间的复杂耦合关系，构建采样率状态方程。
2.根据权利要求1所述的一种基于错序认知的网络控制系统集成控制器设计方法，其特征在于，所述的错序感知，通过采用数据包的期望到达序列数与接收索引(接收端分配)比较法实现错序的实时感知和识别；错序分析，基于熵的统计学意义，估计最大时延界                                                
Figure 600398DEST_PATH_IMAGE001
，确定错序阈值
Figure 568354DEST_PATH_IMAGE002
，采用直方图方法计算错序密度，获得错序熵
Figure 539852DEST_PATH_IMAGE003
的统计规律，其中，表示偏移值为
Figure 929694DEST_PATH_IMAGE006
的数据包的错序密度，为非负整数，表示错序阈值；错序决策：基于错序熵，采用迭代算法，建立采样周期的状态方程。
3.根据权利要求1所述的一种基于错序认知的网络控制系统集成控制器设计方法，其特征在于，所述的基于错序认知的采样率自适应算法具体步骤如下：
基于错序熵越接近0越有序，越大越无序的原理及其统计规律，应用回归分析方法，研究采样率与错序熵之间的复杂关系；
根据采样率关于错序熵的拟合曲线，选用适当步长和限制调控量因子；
基于
Figure 527345DEST_PATH_IMAGE007
，采用迭代算法，建立采样周期的状态方程，其中，
Figure 714744DEST_PATH_IMAGE008
Figure 637701DEST_PATH_IMAGE009
表示第次采样时刻，
Figure 885142DEST_PATH_IMAGE010
表示
Figure 893550DEST_PATH_IMAGE008
时刻的错序熵。
4.根据权利要求1所述的一种基于错序认知的网络控制系统集成控制器设计方法，其特征在于，考虑克服网络不利因素(错序、时延和丢包)的自身控制器设计的同时，实现采样率和被控对象一体化控制。
5.根据权利要求1所述的一种基于错序认知的网络控制系统集成控制器设计方法，其特征在于，采用抛弃晚到包策略，基于泰勒级数展开公式，处理时变采样周期，建模系统为具有多面体不确定项的离散系统；综合上述系统与采样周期状态方程，构建增广系统模型；设计反馈控制输入，令
Figure 884640DEST_PATH_IMAGE011
其中，
Figure 662103DEST_PATH_IMAGE012
为被控对象控制序列，为采样周期控制序列。
6.根据权利要求1所述的一种基于错序认知的网络控制系统集成控制器设计方法，其特征在于，网络的闭环网络控制系统建模方法为：针对网络传输时延和数据包丢失有界的网络，基于抛弃晚到包策略，根据数据包的偏移值，建立最新信号与偏移值之间的映射关系，获得执行最新信号的控制输入序列；由于
Figure 310570DEST_PATH_IMAGE014
，基于错序熵的统计信息，采用区间
Figure 201210004515X100001DEST_PATH_IMAGE015
有限划分和凸组合方法，构建具有多面体不确定项的闭环切换系统模型。
7.根据权利要求1所述的一种基于错序认知的网络控制系统集成控制器设计方法，其特征在于，面向网络的控制系统稳定性分析与性能优化研究中，设计部分模型依赖自适应控制器，克服固定控制器参数具有的保守性，以及完全依赖模型自适应调整控制器参数的计算复杂性和增加的网络负载。
8.根据权利要求1所述的一种基于错序认知的网络控制系统集成控制器设计方法，其特征在于，设计应用系统性能和能量消耗权值比重，构建关于上述两种性能指标的具有权值的多目标效用函数；采用分段Lyapunov函数，利用平均处理时间技术、S-程序和线性矩阵不等式技术，研究系统的稳定性和性能优化，获得控制器设计方案。
9.根据权利要求1所述的一种基于错序认知的网络控制系统集成控制器设计方法，其特征在于，选用调节因子，构建部分模型依赖自适应控制器
Figure 43034DEST_PATH_IMAGE016
其中，或
Figure 675003DEST_PATH_IMAGE018
，
Figure 264248DEST_PATH_IMAGE019
，
Figure 247247DEST_PATH_IMAGE020
为被控系统状态。
10.根据权利要求1所述的一种基于错序认知的网络控制系统集成控制器设计方法，其特征在于，集成控制器中监管模块，根据二次性能指标及网络QoS，自适应调节控制器调节因子和
Figure DEST_PATH_IMAGE021
；如果性能良好，采用固定控制器参数；否则，采用模型依赖的控制器参数。
CN 201210004515 2012-01-09 2012-01-09 一种基于错序认知的网络控制系统集成控制器设计方法 Expired - Fee Related CN102566428B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN 201210004515 CN102566428B (zh) 2012-01-09 2012-01-09 一种基于错序认知的网络控制系统集成控制器设计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN 201210004515 CN102566428B (zh) 2012-01-09 2012-01-09 一种基于错序认知的网络控制系统集成控制器设计方法

Publications (2)

Publication Number Publication Date
CN102566428A true CN102566428A (zh) 2012-07-11
CN102566428B CN102566428B (zh) 2013-10-30

Family

ID=46412081

Family Applications (1)

Application Number Title Priority Date Filing Date
CN 201210004515 Expired - Fee Related CN102566428B (zh) 2012-01-09 2012-01-09 一种基于错序认知的网络控制系统集成控制器设计方法

Country Status (1)

Country Link
CN (1) CN102566428B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104007981A (zh) * 2014-06-13 2014-08-27 河海大学常州校区 一种基于出错-认知映射模型的人机交互界面设计方法
CN105182738A (zh) * 2015-09-19 2015-12-23 辽宁石油化工大学 一种部分时滞依赖的错序控制器及其建立方法
CN112198793A (zh) * 2020-09-16 2021-01-08 浙江理工大学 基于认知网络的机器人避障方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6243610B1 (en) * 1997-08-20 2001-06-05 Kabushiki Kaisha Toshiba Network control system, process management method in this system, and recording medium on which a process management program is recorded
US20030088529A1 (en) * 2001-11-02 2003-05-08 Netvmg, Inc. Data network controller
CN102063104A (zh) * 2010-11-18 2011-05-18 海南大学 变送器与(控制)执行器间带双调节功能的时延补偿方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6243610B1 (en) * 1997-08-20 2001-06-05 Kabushiki Kaisha Toshiba Network control system, process management method in this system, and recording medium on which a process management program is recorded
US20030088529A1 (en) * 2001-11-02 2003-05-08 Netvmg, Inc. Data network controller
CN102063104A (zh) * 2010-11-18 2011-05-18 海南大学 变送器与(控制)执行器间带双调节功能的时延补偿方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
JINNA LI,ET AL.: "MIMO CHANNEL COMMUNICATION-BASED H CONTROL OF WIRELESS NETWORKED CONTROL SYSTEMS", 《ICIC INTERNATIONAL》, vol. 7, no. 7, 31 July 2011 (2011-07-31), pages 4323 - 4333 *
黄玲等: "数据包错序的多包传输网络控制系统研究", 《哈尔滨商业大学学报(自然科学版)》, vol. 27, no. 6, 31 December 2011 (2011-12-31), pages 857 - 861 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104007981A (zh) * 2014-06-13 2014-08-27 河海大学常州校区 一种基于出错-认知映射模型的人机交互界面设计方法
CN104007981B (zh) * 2014-06-13 2017-04-12 河海大学常州校区 一种基于出错‑认知映射模型的人机交互界面设计方法
CN105182738A (zh) * 2015-09-19 2015-12-23 辽宁石油化工大学 一种部分时滞依赖的错序控制器及其建立方法
CN105182738B (zh) * 2015-09-19 2018-01-09 辽宁石油化工大学 一种部分时滞依赖的错序控制器及其建立方法
CN112198793A (zh) * 2020-09-16 2021-01-08 浙江理工大学 基于认知网络的机器人避障方法
CN112198793B (zh) * 2020-09-16 2022-07-29 浙江理工大学 基于认知网络的机器人避障方法

Also Published As

Publication number Publication date
CN102566428B (zh) 2013-10-30

Similar Documents

Publication Publication Date Title
Liu et al. Theoretical analysis of the lifetime and energy hole in cluster based wireless sensor networks
Jafri et al. Maximizing the lifetime of multi-chain PEGASIS using sink mobility
CN104994031A (zh) 一种主动队列自适应管理方法asred
CN102566428B (zh) 一种基于错序认知的网络控制系统集成控制器设计方法
Liu et al. Aggregation and charging control of PHEVs in smart grid: A cyber–physical perspective
CN103269458B (zh) 一种针对窄带网络情况下视频传输的调节控制方法
Herrería-Alonso et al. How efficient is energy-efficient ethernet?
CN106231660A (zh) 一种基于长短休眠周期的基站关断机制
CN102710515B (zh) 一种适用于网络控制系统的死区调度方法
CN104065719A (zh) 一种变采样周期调度器及其控制方法
CN102833812B (zh) 一种面向混合业务的无线传感器网络能量有效接入方法
CN105072671B (zh) 一种高级量测体系网络中传感器节点的自适应调度方法
Xu et al. An adjust duty cycle method for optimized congestion avoidance and reducing delay for WSNs
CN115021300B (zh) 基于mpc算法的电动汽车调频延时补偿控制策略
Gao A energy consumption improvements of S-MAC in WSN
CN102760079B (zh) 移动应用处理器的自适应中断调控方法及装置
CN116016522A (zh) 一种云边端协同的新能源终端监控架构
CN112887221B (zh) 基于广义预测控制的周期性节能方法
CN202677378U (zh) 移动应用处理器的自适应中断调控装置
CN103347281A (zh) 一种无线网络自适应占空比多址抢占方法
Li et al. Energy-efficient federated learning for wireless computing power networks
CN105809274A (zh) 基于粒子群算法的电力系统
Liu et al. Active queue management based on Q-learning traffic predictor
CN105007582A (zh) 基于pomdp的受控无线网络系统动态资源分配方法
CN110061497A (zh) 一种基于主动配电网的柔性负荷预测和控制方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C14 Grant of patent or utility model
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20131030

Termination date: 20180109

CF01 Termination of patent right due to non-payment of annual fee