CN103838140A - 基于直接逆控制算法的弱非线性网络控制方法 - Google Patents

Abstract

本发明公开了一种基于直接逆控制算法的弱非线性网络控制方法，包括以下步骤：(1)计算网络信号的空间位置；(2)利用最小二乘插值估计算法，对网络信号误差进行补偿；利用插值估计结果替换当前的网络信号检测结果;通过运算获取控制网络信号的稳定性系数，得到弱非线性网络信号控制依据；(3)建立弱非线性控制逆模型；(4)建立弱非线性网络信号控制模型。本发明利用直接逆控制算法进行弱非线性控制系统的控制，可以提高控制网络信号的信噪比，同时提高了网络信号的稳定性，从而满足了网络信号控制的需求。

Description

基于直接逆控制算法的弱非线性网络控制方法

技术领域

本发明涉及网络信号控制领域，具体涉及一种基于直接逆控制算法的弱非线性网络控制方法。

背景技术

随着智能化控制系统的不断发展和普及，控制系统已经在不同的行业中发挥着不可替代的作用。利用智能化控制系统，能够对研究对象进行准确的控制，从而提高产品的质量。智能控制系统已经成为控制领域需要研究的核心问题。

非线性控制系统是状态变量和输出变量相对于输入变量的运动特性不能用线性关系描述的控制系统。线性因果关系的基本属性是满足叠加原理。在非线性控制系统中必定存在非线性元件，但逆命题不一定成立。描述非线性系统的数学模型，按变量是连续的或是离散的，分别为非线性微分方程组或非线性差分方程组。

利用多段反应算法，可以建立网络信号控制模型，从而完成智能网络信号控制。其详细内容如下所述：

在控制过程中，网络信号必须符合下面的要求：

电路中的电量呈均匀性分布。

网络信号控制过程中的电压可以随时进行通断。

在网络信号控制电路通电的情况下，电路中存在较强的惯性。

现阶段，智能控制方法在网络信号领域中拥有极其广阔的发展空间。智能控制方法包括基于多段反应算法的智能控制方法、基于分层递阶智能体的智能控制方法和基于PID控制算法的智能控制方法等。其中，最常用的是基于多段反应算法的智能控制方法。利用以上传统算法进行智能控制，需要将线性系统模型作为一阶近似。假设非线性过小，将造成近似性增大的缺陷，从而增大了控制误差，使得控制结果失真。

发明内容

为了避免上述缺陷，本发明的目的是提供一种提高网络信号波动稳定性的基于直接逆控制算法的弱非线性网络控制方法。

实现上述技术目的，本发明提供的技术方案为：一种基于直接逆控制算法的弱非线性网络控制方法，包括以下步骤：

(1)通过弱非线性网络的处理器操纵对应的存储器划分设定所需的空间大小和空间位置的网络信号存储区域，并将其存储在网络信号存储区域中；

(2)首先，处理器调用其内部的运算器按照最小二乘插值估计法的方式来运行，对传递来的网络信号所产生的误差进行补偿，得到误差补偿后的网络误差补偿的网络信号；然后将处理器调用其内部的运算器运行最小二乘插值估计法得到网络信号的稳定性系数；最后将处理器调用其内部的运算器将存储在网络信号存储分区中的补偿前的网络信号更新为补偿后得到网络误差补偿的网络信号；

(3)所述处理器根据所述的网络误差补偿的网络信号，结合线性拟合方法得到弱非线性网络信号的控制信号；处理器取出误差补偿后的网络信号并调用其内部的运算器按照离散变换的方法运行，得到离散变换数据信号；处理器调用其内部的运算器按照弱非线性控制逆模型的方法运行得到控制网络信号的逆状态的网络信号；处理器调用其内部的运算器按照弱非线性控制逆模型的方法运行得到在u时刻的初始网络信号；处理器调用其内部的运算器按照弱非线性控制逆模型的方法运行得到复合离散变换数据信号；处理器调用其内部的运算器按照弱非线性控制逆模型的方法运行得到弱非线性控制逆模型的期望输出的网络信号；处理器调用其内部的运算器运行得到期望输出的网络信号相对应的时刻的弱非线性控制逆模型的期望输出控制信号的值；

处理器操纵对应的存储器划分电压参数信号和电压平衡状态参数信号的存储区域，处理器将其存储在电压参数信号和电压平衡状态参数信号的存储区域中；通过弱非线性网络的处理器操纵对应的存储器划分弱非线性网络信号传输与电压变化率之间的关联性信号的存储区域，处理器将其存储在弱非线性网络信号传输与电压变化率之间的关联性信号的存储区域中；

(4)处理器调用其内部的运算器按照自适应直接逆控制法的方式来运行，对传递来的网络误差补偿的网络信号作为初始对象的网络信号；

（5）处理器在存储器中开辟一个存储分区，在每个网络信号控制周期中，将弱非线性控制逆模型信号存储在该存储分区中，建立了弱非线性控制逆信号模型。

进一步地，所述步骤（1）中，在网络信号控制的过程中，处理器根据所需网络信号的空间位置内设置有m个矩阵单元接受信号并按顺序组成阵列，根据公式（1）能够导出网络信号的空间位置N_m：

$N_m=N_1+N_2\sin [B,\mathrm{\δ}-\frac{2\mathrm{\π}(m-1)}{T}]---\left(1\right)$

式中，N₁是网络信号控制系统中全部组件的数量，N₂是控制过程中的位置参数，δ是网络信号控制系统负载情况下的电流分量，T是网络信号控制系统负载情况下的频率分量，B是信号带宽分量，m是矩阵单元接受信号的个数；

根据公式（2）导出网络信号控制过程中的电压参数X_m：

$X_m=T_m{k}_m+N_m\frac{{\mathrm{dk}}_m}{\mathrm{dv}}+k_{m}y\frac{{\mathrm{dN}}_m}{\mathrm{d\δ}}---\left(2\right)$

式中，N_m是网络信号的空间位置,δ是网络信号控制系统负载情况下的电流分量，T_m是网络信号控制系统负载情况下的频率分量，v是电压变化分量系数，k_m是电压/电流变化率；

根据公式（3）导出网络信号控制过程中的电磁变化率P：

$P=-\frac{Q_t{N}_2}{2}\underset{T}{\overset{q}{\mathrm{\Σ}}}{n}_m^B\cos [Q,\mathrm{\δ}-\frac{2\mathrm{\π}(m-1)}{T}]---\left(3\right)$

式中，N₂是控制过程中的位置参数，δ是网络信号控制系统负载情况下的电流分量，T是网络信号控制系统负载情况下的频率分量，B是信号带宽分量，m是矩阵单元接受信号的个数，Q_t是网络空间的信号带宽，Q能够用来描述输入数据的阶次数目，

是在B个信号带宽下，第m个信号元的变化频率分量。

进一步地，所述步骤（2）中，

能够利用公式（4）和公式（5）导出控制网络信号的稳定性系数β和ψ，

β＝(1-σ)λ²((1+σ)ξ)     （4）

$\mathrm{\ψ}=\frac{\mathrm{\λ}}{\left((1+\mathrm{\σ})\mathrm{\ξ}\right)}---\left(5\right)$

式中，σ和ξ均是网络信号控制系统中的传递网络信号系数，λ是初始网络信号系数；

利用公式（6）和公式（7）导出初始网络信号的状态参数G(α)和G(β)：

$G\left(\mathrm{\α}\right)=\frac{\mathrm{\δ}}{v}---\left(6\right)$

$G\left(\mathrm{\β}\right)=\frac{\mathrm{\δ}}{v^2}---\left(7\right)$

公式（6）和公式（7）中，设置网络信号控制系统中的经验统计值能够用β进行描述，网络信号状态参数能够用β的平均值进行描述，记作G(β)，网络信号控制时的状态参数α的平均值能够用进行描述，记作G(α)；δ是网络信号控制系统负载情况下的电流分量；v是电压变化分量系数；

设置网络信号控制系统中的初始网络信号能够用G(A)＝λ和G(A)＝o进行描述，则能够得到网络信号误差补偿的详细步骤如下所述：

利用公式（8）和公式（9）能够导出控制网络信号的状态参数G(α)和G(β)：

G(α)＝(1-α)G(A)＝(1-α)λ     （8）

G(β)＝(1-β²)G(A)＝(1-βw)ο     （9）

网络信号控制过程中插值估计结果ψ能够用公式（10）进行计算：

$\mathrm{\ψ}=\frac{\underset{j=0}{\overset{Q}{\mathrm{\Σ}}}(A_j+\mathrm{\λ})(A_{j-l}+\mathrm{\λ})}{\underset{k=l}{\overset{R}{\mathrm{\Σ}}}{(A_{k-u}+\mathrm{\λ})}^{k-u}}---\left(10\right);$

式中，β是设置网络信号控制系统中的经验统计值，则网络信号状态参数能够用β的平均值进行描述，记作G(β)，网络信号控制时的状态参数α的平均值能够用进行描述，记作G(α)；设置网络信号控制系统中的传递网络信号系数是(σ,ξ)，ψ是网络信号控制过程中插值估计结果；A_j、A_j-l、A_k-u是控制网络信号的状态参数；λ是初始网络信号系数。

更进一步地，所述步骤（3）中，

Step1:设置误差补偿处理后的网络信号的离散变换结果z(u+e)和z(u)，能够用公式(11)和公式（12）进行描述：

z(u+e)＝g_j(z(u+e-1),…,z(u+e-r),…,v(u-r))     （11）

z(u)＝gj(z(u-1),…,z(u-q),…,v(u-e-r))     （12）

式中，v(u)是处理器u时刻需要输入的数据，z(u)是处理器u时刻对应的输出数据，e是处理器u时刻对应的网络信号延迟时间；q是处理器u时刻输入数据的阶次数目，r是处理器u时刻对应的输出数据的阶次数目，g_j是处理器u时刻的离散变换函数，z(u+e)是处理器u时刻网络信号的离散变换结果；

Step2:根据弱非线性控制逆模型的相关原理，能够得到控制网络信号动态逆状态；

利用公式（13）和公式（14）所述：

v(u)＝h_j(z(u+e),z(u+e-1),…,z(u+e-q))     （13）

v(u-e)＝h_j((z(u),z(u-1),…,z(u-q),v(u-e-1),…,v(u-e-r))     （14）

式中，v(u)是处理器u时刻需要输入的数据，v(u-e-r)是处理器u-e-r时刻需要输入的数据，v(u-e-1)是处理器u-e-1时刻需要输入的数据，z(u)是处理器u时刻对应的输出数据，z(u-1)是处理器u-1时刻对应的输出数据，z(u-q)是处理器u-q时刻对应的输出数据，z(u+e)是处理器u时刻网络信号的离散变换结果，z(u+e-1)是处理器u+e-1时刻网络信号的离散变换结果；z(u+e-q)是处理器u+e-q时刻网络信号的离散变换结果；e是处理器u时刻对应的网络信号延迟时间，h_j是处理器u时刻的离散变换函数；

Step3:针对弱非线性控制逆模型，能够得到在u时刻的初始网络信号y_j；

y_j＝(z(u),z(u-1),…,z(u-q),v(u-e-1),…,v(u-e-r))     （15）

则对应的逆模型能够用(y_j,z_j)描述；

式中，v(u-e-1)是处理器u-e-1时刻需要输入的数据，v(u-e-r)是处理器u-e-r时刻需要输入的数据，z(u)是处理器u时刻对应的输出数据，z(u-1)是处理器u-1时刻对应的输出数据，z(u-q)是处理器u-q时刻对应的输出数据，e是处理器u时刻对应的网络信号延迟时间，r是处理器u时刻对应的输出数据的阶次数目，h_j是处理器u时刻的离散变换函数；

Step4:对上述逆模型的输出结果进行复合离散变换处理z(a)，利用公式（16）能够得到下述结果：

z(a)＝a^-eγ(a)     （16）

式中，a^-e是复合离散变换系数，γ(a)是处理器输出数据的阶次数目；

Step5:利用公式（17）能够描述弱非线性控制逆模型的期望输出结果v(u)：

v(u)＝h_j(z_s(u+e),z_s(u+e-1),…,z_s(u+1))     （17）

式中，h_j是处理器u时刻的离散变换函数，z_s(u+e)是第S个信号元处理器u+e时刻的网络信号离散变换结果，z_s(u+e-1)是第S个信号元处理器u+e-1时刻的网络信号离散变换结果，z_s(u+1)是第S个信号元处理器u+1时刻的网络信号离散变换结果，

z_s(u)是第S个信号元处理器u时刻的网络信号离散变换结果；

Step6:在期望输出结果对应的u时刻，期望输出控制量v(u)，

能够用公式（18）进行描述：

v(u)＝h_j(z_s(u),z_s(u-1),…,z_s(u-q))     （18）

式中，h_j是处理器u时刻的离散变换函数，z_s(u)是第S个信号元处理器u时刻的网络信号离散变换结果，z_s(u-1)是第S个信号元，处理器u-1时刻的网络信号离散变换结果，z_s(u-q)是第S个信号元，处理器u-q时刻的网络信号离散变换结果。

进一步地，所述步骤（3）中，根据公式（19）和公式（20）可以导出网络信号控制系统中的电压平衡状态参数的wb和wc：

$w_b={\mathrm{Tk}}_b+N\frac{\mathrm{dk}}{\mathrm{dv}}-M_{p}y\cos (Q_t,\mathrm{\ρ})---\left(19\right)$

$w_c={\mathrm{Tk}}_c+N\frac{d{k}_c}{\mathrm{dv}}-M_{p}y\cos (Q_t,\mathrm{\ρ})---\left(20\right)$

式中，w_b是网络信号控制系统中的初始电压，w_c是该系统中对应的初始电流，k_b是电压变化率，k_c是电流变化率，ρ是网络信号传输的矢量相关系数；T是网络信号控制系统负载情况下的频率分量，M_p是电磁变换函数，Q_t是网络空间的信号带宽；

根据下述公式可以获取网络信号控制系统负载惯性参数y：

$\frac{\mathrm{d\ρ}}{\mathrm{dv}}=y---\left(21\right)$

式中，v是电压变化分量系数，ρ是网络信号传输的矢量相关系数。

进一步地，所述步骤（4）中，建立网络信号控制系统数学模型如下所述：

$v_f^{\′}=\frac{X_k-(T_g\·y\·n_2\·\cos (Q_t\·\mathrm{\ρ}))\·k_q}{n_1+n_2\·\sin (q_t\·\mathrm{\ρ})}---\left(22\right)$

$v_m^{\′}=\frac{X_k-(T_m\·q_t\·n_1\·\cos (Q_t\·\frac{2\mathrm{\π\ρ}}{3}\mathrm{\ρ}))\·k_d}{n_1+n_2\·\sin (q_t\·\mathrm{\ρ}-\frac{2\mathrm{\π}}{3})}---\left(23\right)$

${\mathrm{\ρ}}^{\′}=\frac{x}{2}---\left(24\right)$

$y^{\′}=\frac{1}{L_j}[-\frac{1}{2}{n}_1\·q_t\·k_t\·\cos (Q_t\·\mathrm{\ρ})]---\left(25\right)$

式中，X_k是网络信号控制系统中指定时刻的电压值，T_g是该时刻的电流值，y是网络信号控制系统负载惯性参数，ρ是网络信号传输的矢量相关系数，ρ′是矢量相关系数的导数，Q_t是网络空间的信号带宽，v′_m是不同信号元数量的电压变化分量，v′_f是不同空间位置的电压变化分量，x是电压参数，n₁是网络信号控制系统中全部组件的数量，n₂是控制过程中的位置参数，L_j是电压参数，T_m是网络信号控制系统负载情况下的频率分量，k_d是网络信号控制系统负载情况下频率分量的变化率；k_q是输入数据的阶次数目的变化率，q_t是处理器t时刻输入数据的阶次数目。

本发明的有益效果：本发明利用最小二乘插值估计算法，对弱非线性控制系统中的网络信号进行误差补偿处理，从而提高网络信号波动稳定性。利用自适应直接逆控制算法，完成弱非线性控制系统的控制。实验结果表明，利用直接逆控制算法进行弱非线性控制系统的控制，可以提高控制网络信号的信噪比，同时提高了网络信号的稳定性，从而满足了实际网络信号控制的需求。本发明所使用的建模方法和分析手段具有广泛的适用性，相当一大类网络信号稳定性控制问题可以参考本发明提供的控制方法进行稳定性控制。完成了弱非线性控制系统的控制，从而降低弱非线性控制系统的控制误差，取得了令人满意的结果。

附图说明

图1为发明初始网络信号图谱；

图2为本发明传统算法控制网络信号图谱；

图3为本发明直接逆控制算法控制网络信号图谱；

图4为本发明不同算法信噪比对比；

图5为本发明不同算法稳定性对比。

具体实施方式

为了阐明本发明的技术方案及技术目的，下面结合附图及具体实施方式对本发明做进一步的介绍。

实施例

本实施例提供的一种基于直接逆控制算法的弱非线性网络控制方法，包括以下步骤：

(1)通过弱非线性网络的处理器操纵对应的存储器划分设定所需的空间大小和空间位置的网络信号存储区域，并将其存储在网络信号存储区域中；

(2)首先，处理器调用其内部的运算器按照最小二乘插值估计法的方式来运行，对传递来的网络信号所产生的误差进行补偿，得到误差补偿后的网络误差补偿的网络信号；然后将处理器调用其内部的运算器运行最小二乘插值估计法得到网络信号的稳定性系数；最后将处理器调用其内部的运算器将存储在网络信号存储分区中的补偿前的网络信号更新为补偿后得到网络误差补偿的网络信号；

(3)所述处理器根据所述的网络误差补偿的网络信号，结合线性拟合方法得到弱非线性网络信号的控制信号；处理器取出误差补偿后的网络信号并调用其内部的运算器按照离散变换的方法运行，得到离散变换数据信号；处理器调用其内部的运算器按照弱非线性控制逆模型的方法运行得到控制网络信号的逆状态的网络信号；处理器调用其内部的运算器按照弱非线性控制逆模型的方法运行得到在u时刻的初始网络信号；处理器调用其内部的运算器按照弱非线性控制逆模型的方法运行得到复合离散变换数据信号；处理器调用其内部的运算器按照弱非线性控制逆模型的方法运行得到弱非线性控制逆模型的期望输出的网络信号；处理器调用其内部的运算器运行得到期望输出的网络信号相对应的时刻的弱非线性控制逆模型的期望输出控制信号的值；

处理器操纵对应的存储器划分电压参数信号和电压平衡状态参数信号的存储区域，处理器将其存储在电压参数信号和电压平衡状态参数信号的存储区域中；通过弱非线性网络的处理器操纵对应的存储器划分弱非线性网络信号传输与电压变化率之间的关联性信号的存储区域，处理器将其存储在弱非线性网络信号传输与电压变化率之间的关联性信号的存储区域中；

(4)处理器调用其内部的运算器按照自适应直接逆控制法的方式来运行，对传递来的网络误差补偿的网络信号作为初始对象的网络信号；

（5）处理器在存储器中开辟一个存储分区，在每个网络信号控制周期中，将弱非线性控制逆模型信号存储在该存储分区中，建立了弱非线性控制逆信号模型。

进一步地，所述步骤（1）中，在网络信号控制的过程中，处理器根据所需网络信号的空间位置内设置有m个矩阵单元接受信号并按顺序组成阵列，根据公式（1）能够导出网络信号的空间位置N_m：

$N_m=N_1+N_2\sin [B,\mathrm{\δ}-\frac{2\mathrm{\π}(m-1)}{T}]---\left(1\right)$

式中，N₁是网络信号控制系统中全部组件的数量，N₂是控制过程中的位置参数，δ是网络信号控制系统负载情况下的电流分量，T是网络信号控制系统负载情况下的频率分量，B是信号带宽分量，m是矩阵单元接受信号的个数；

根据公式（2）导出网络信号控制过程中的电压参数X_m：

$X_m=T_m{k}_m+N_m\frac{{\mathrm{dk}}_m}{\mathrm{dv}}+k_{m}y\frac{{\mathrm{dN}}_m}{\mathrm{d\δ}}---\left(2\right)$

式中，N_m是网络信号的空间位置,δ是网络信号控制系统负载情况下的电流分量，T_m是网络信号控制系统负载情况下的频率分量，v是电压变化分量系数，k_m是电压/电流变化率；

根据公式（3）导出网络信号控制过程中的电磁变化率P：

$P=-\frac{Q_t{N}_2}{2}\underset{T}{\overset{q}{\mathrm{\Σ}}}{n}_m^B\cos [Q,\mathrm{\δ}-\frac{2\mathrm{\π}(m-1)}{T}]---\left(3\right)$

式中，N₂是控制过程中的位置参数，δ是网络信号控制系统负载情况下的电流分量，T是网络信号控制系统负载情况下的频率分量，B是信号带宽分量，m是矩阵单元接受信号的个数，Q_t是网络空间的信号带宽，Q能够用来描述输入数据的阶次数目，

是在B个信号带宽下，第m个信号元的变化频率分量。

进一步地，所述步骤（2）中，

能够利用公式（4）和公式（5）导出控制网络信号的稳定性系数β和ψ，

β＝(1-σ)λ²((1+σ)ξ)     （4）

$\mathrm{\ψ}=\frac{\mathrm{\λ}}{\left((1+\mathrm{\σ})\mathrm{\ξ}\right)}---\left(5\right)$

式中，σ和ξ均是网络信号控制系统中的传递网络信号系数，λ是初始网络信号系数；

利用公式（6）和公式（7）导出初始网络信号的状态参数G(α)和G(β)：

$G\left(\mathrm{\α}\right)=\frac{\mathrm{\δ}}{v}---\left(6\right)$

$G\left(\mathrm{\β}\right)=\frac{\mathrm{\δ}}{v^2}---\left(7\right)$

公式（6）和公式（7）中，设置网络信号控制系统中的经验统计值能够用β进行描述，网络信号状态参数能够用β的平均值进行描述，记作G(β)，网络信号控制时的状态参数α的平均值能够用进行描述，记作G(α)；δ是网络信号控制系统负载情况下的电流分量；v是电压变化分量系数；

设置网络信号控制系统中的初始网络信号能够用G(A)＝λ和G(A)＝o进行描述，则能够得到网络信号误差补偿的详细步骤如下所述：

利用公式（8）和公式（9）能够导出控制网络信号的状态参数G(α)和G(β)：

G(α)＝(1-α)G(A)＝(1-α)λ     （8）

G(β)＝(1-β²)G(A)＝(1-β²)ο     （9）

网络信号控制过程中插值估计结果ψ能够用公式（10）进行计算：

$\mathrm{\ψ}=\frac{\underset{j=0}{\overset{Q}{\mathrm{\Σ}}}(A_j+\mathrm{\λ})(A_{j-l}+\mathrm{\λ})}{\underset{k=l}{\overset{R}{\mathrm{\Σ}}}{(A_{k-u}+\mathrm{\λ})}^{k-u}}---\left(10\right);$

式中，β是设置网络信号控制系统中的经验统计值，则网络信号状态参数能够用β的平均值进行描述，记作G(β)，网络信号控制时的状态参数α的平均值能够用进行描述，记作G(α)；设置网络信号控制系统中的传递网络信号系数是(σ,ξ)，ψ是网络信号控制过程中插值估计结果；A_j、A_j-l、A_k-u是控制网络信号的状态参数；λ是初始网络信号系数。

更进一步地，所述步骤（3）中，

Step1:设置误差补偿处理后的网络信号的离散变换结果z(u+e)和z(u)，能够用公式(11)和公式（12）进行描述：

z(u+e)＝g_j(z(u+e-1),…,z(u+e-r),…,v(u-r))     （11）

z(u)＝g_j(z(u-1),…,z(u-q),…,v(u-e-r))     （12）

式中，v(u)是处理器u时刻需要输入的数据，z(u)是处理器u时刻对应的输出数据，e是处理器u时刻对应的网络信号延迟时间；q是处理器u时刻输入数据的阶次数目，r是处理器u时刻对应的输出数据的阶次数目，gj是处理器u时刻的离散变换函数，z(u+e)是处理器u时刻网络信号的离散变换结果；

Step2:根据弱非线性控制逆模型的相关原理，能够得到控制网络信号动态逆状态；

利用公式（13）和公式（14）所述：

v(u)＝h_j(z(u+e),z(u+e-1),…,z(u+e-q))     （13）

v(u-e)＝h_j((z(u),z(u-1),…,z(u-q),v(u-e-1),…,v(u-e-r))     （14）

式中，v(u)是处理器u时刻需要输入的数据，v(u-e-r)是处理器u-e-r时刻需要输入的数据，v(u-e-1)是处理器u-e-1时刻需要输入的数据，z(u)是处理器u时刻对应的输出数据，z(u-1)是处理器u-1时刻对应的输出数据，z(u-q)是处理器u-q时刻对应的输出数据，z(u+e)是处理器u时刻网络信号的离散变换结果，z(u+e-1)是处理器u+e-1时刻网络信号的离散变换结果；z(u+e-q)是处理器u+e-q时刻网络信号的离散变换结果；e是处理器u时刻对应的网络信号延迟时间，h_j是处理器u时刻的离散变换函数；

Step3:针对弱非线性控制逆模型，能够得到在u时刻的初始网络信号y_j；

y_j＝(z(u),z(u-1),…,z(u-q),v(u-e-1),…,v(u-e-r))     （15）

则对应的逆模型能够用(y_j,z_j)描述；

式中，v(u-e-1)是处理器u-e-1时刻需要输入的数据，v(u-e-r)是处理器u-e-r时刻需要输入的数据，z(u)是处理器u时刻对应的输出数据，z(u-1)是处理器u-1时刻对应的输出数据，z(u-q)是处理器u-q时刻对应的输出数据，e是处理器u时刻对应的网络信号延迟时间，r是处理器u时刻对应的输出数据的阶次数目，h_j是处理器u时刻的离散变换函数；

Step4:对上述逆模型的输出结果进行复合离散变换处理z(a)，利用公式（16）能够得到下述结果：

z(a)＝a^-eγ(a)     （16）

式中，a^-e是复合离散变换系数，γ(a)是处理器输出数据的阶次数目；

Step5:利用公式（17）能够描述弱非线性控制逆模型的期望输出结果v(u)：

v(u)＝h_j(z_s(u+e),z_s(u+e-1),…,z_s(u+1))     （17）

式中，h_j是处理器u时刻的离散变换函数，z_s(u+e)是第S个信号元处理器u+e时刻的网络信号离散变换结果，z_s(u+e-1)是第S个信号元处理器u+e-1时刻的网络信号离散变换结果，z_s(u+1)是第S个信号元处理器u+1时刻的网络信号离散变换结果，

z_s(u)是第S个信号元处理器u时刻的网络信号离散变换结果；

Step6:在期望输出结果对应的u时刻，期望输出控制量v(u)，

能够用公式（18）进行描述：

v(u)＝h_j(z_s(u),z_s(u-1),…,z_s(u-q))     （18）

式中，h_j是处理器u时刻的离散变换函数，z_s(u)是第S个信号元处理器u时刻的网络信号离散变换结果，z_s(u-1)是第S个信号元，处理器u-1时刻的网络信号离散变换结果，z_s(u-q)是第S个信号元，处理器u-q时刻的网络信号离散变换结果。

进一步地，所述步骤（3）中，根据公式（19）和公式（20）可以导出网络信号控制系统中的电压平衡状态参数的w_b和w_c：

$w_b={\mathrm{Tk}}_b+N\frac{\mathrm{dk}}{\mathrm{dv}}-M_{p}y\cos (Q_t,\mathrm{\ρ})---\left(19\right)$

$w_c={\mathrm{Tk}}_c+N\frac{d{k}_c}{\mathrm{dv}}-M_{p}y\cos (Q_t,\mathrm{\ρ})---\left(20\right)$

式中，w_b是网络信号控制系统中的初始电压，w_c是该系统中对应的初始电流，k_b是电压变化率，k_c是电流变化率，ρ是网络信号传输的矢量相关系数；T是网络信号控制系统负载情况下的频率分量，M_p是电磁变换函数，Q_t是网络空间的信号带宽；

根据下述公式可以获取网络信号控制系统负载惯性参数y：

$\frac{\mathrm{d\ρ}}{\mathrm{dv}}=y---\left(21\right)$

式中，v是电压变化分量系数，ρ是网络信号传输的矢量相关系数。

进一步地，所述步骤（4）中，建立网络信号控制系统数学模型如下所述：

$v_f^{\′}=\frac{X_k-(T_g\·y\·n_2\·\cos (Q_t\·\mathrm{\ρ}))\·k_q}{n_1+n_2\·\sin (q_t\·\mathrm{\ρ})}---\left(22\right)$

$v_m^{\′}=\frac{X_k-(T_m\·q_t\·n_1\·\cos (Q_t\·\frac{2\mathrm{\π\ρ}}{3}\mathrm{\ρ}))\·k_d}{n_1+n_2\·\sin (q_t\·\mathrm{\ρ}-\frac{2\mathrm{\π}}{3})}---\left(23\right)$

${\mathrm{\ρ}}^{\′}=\frac{x}{2}---\left(24\right)$

$y^{\′}=\frac{1}{L_j}[-\frac{1}{2}{n}_1\·q_t\·k_t\·\cos (Q_t\·\mathrm{\ρ})]---\left(25\right)$

式中，X_k是网络信号控制系统中指定时刻的电压值，T_g是该时刻的电流值，y是网络信号控制系统负载惯性参数，ρ是网络信号传输的矢量相关系数，ρ′是矢量相关系数的导数，Q_t是网络空间的信号带宽，v′_m是不同信号元数量的电压变化分量，v′_f是不同空间位置的电压变化分量，x是电压参数，n₁是网络信号控制系统中全部组件的数量，n₂是控制过程中的位置参数，L_j是电压参数，T_m是网络信号控制系统负载情况下的频率分量，k_d是网络信号控制系统负载情况下频率分量的变化率；k_q是输入数据的阶次数目的变化率，q_t是处理器t时刻输入数据的阶次数目。

根据上面阐述的方法，能够建立网络信号控制模型，从而完成网络信号控制。但是，如果非线性过于弱小，这种近似性会存在较大误差，导致控制结果失真。

为了验证本文提出的弱非线性控制系统的效果，需要进行一次实验。在实验的过程中，采用的平台是windowsXP，利用JAVA语言进行实验编程，通过matlab软件进行实验仿真。

在实验过程中，随机选择网络信号控制系统的初始网络信号，上述网络信号的图谱能够用下图1进行描述，

如图2和图3所示，图2为传统算法控制网络信号图谱；图3为直接逆控制算法控制网络信号图谱；从图2和图3相对比能够得知，直接逆控制算法比传统算法。

图4为本发明的不同算法信噪比对比图。对图4控制网络信号的信噪比相关数据进行整理分析，能够得到表1。根据表1能够得知，利用直接逆控制算法进行网络信号控制，获取的控制网络信号的信噪比高于传统算法。信噪比是影响网络稳定性的一个因素，通过改良算法控制网络信号的信噪比可以对网络的稳定性带来帮助，良好的信噪比可以减少网络通讯的失真和错误。表1为不同算法信噪比对比，如下表1所示：

表1

如图5所示，为本发明不同算法稳定性对比。对图5的数据进行整理分析，能够得到表2的数据。从表2能够得知，利用直接逆控制算法进行网络信号控制，可以极大的提高获取的控制网络信号的稳定性，从而得到稳定的控制结果。表2为不同算法稳定性对比，如下表2所示：

表2

本发明所使用的建模方法和分析手段具有广泛的适用性，相当一大类网络信号稳定性控制问题可以参考本发明提供的控制方法进行稳定性控制。完成了弱非线性控制系统的控制，从而降低弱非线性控制系统的控制误差，取得了令人满意的结果。

本发明利用最小二乘插值估计算法，对弱非线性控制系统中的网络信号进行误差补偿处理，从而提高网络信号波动稳定性。利用自适应直接逆控制算法，完成弱非线性控制系统的控制。实验结果表明，利用直接逆控制算法进行弱非线性控制系统的控制，可以提高控制网络信号的信噪比，同时提高了网络信号的稳定性，从而满足了实际网络信号控制的需求。

以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (6)

1.一种基于直接逆控制算法的弱非线性网络控制方法，其特征在于包括以下步骤：

(1)通过弱非线性网络的处理器操纵对应的存储器划分设定所需的空间大小和空间位置的网络信号存储区域，并将其存储在网络信号存储区域中；

(2)首先，处理器调用其内部的运算器按照最小二乘插值估计法的方式来运行，对传递来的网络信号所产生的误差进行补偿，得到误差补偿后的网络误差补偿的网络信号；然后将处理器调用其内部的运算器运行最小二乘插值估计法得到网络信号的稳定性系数；最后将处理器调用其内部的运算器将存储在网络信号存储分区中的补偿前的网络信号更新为补偿后得到网络误差补偿的网络信号；

(3)所述处理器根据所述的网络误差补偿的网络信号，结合线性拟合方法得到弱非线性网络信号的控制信号；处理器取出误差补偿后的网络信号并调用其内部的运算器按照离散变换的方法运行，得到离散变换数据信号；处理器调用其内部的运算器按照弱非线性控制逆模型的方法运行得到控制网络信号的逆状态的网络信号；处理器调用其内部的运算器按照弱非线性控制逆模型的方法运行得到在u时刻的初始网络信号；处理器调用其内部的运算器按照弱非线性控制逆模型的方法运行得到复合离散变换数据信号；处理器调用其内部的运算器按照弱非线性控制逆模型的方法运行得到弱非线性控制逆模型的期望输出的网络信号；处理器调用其内部的运算器运行得到期望输出的网络信号相对应的时刻的弱非线性控制逆模型的期望输出控制信号的值；

处理器操纵对应的存储器划分电压参数信号和电压平衡状态参数信号的存储区域，处理器将其存储在电压参数信号和电压平衡状态参数信号的存储区域中；通过弱非线性网络的处理器操纵对应的存储器划分弱非线性网络信号传输与电压变化率之间的关联性信号的存储区域，处理器将其存储在弱非线性网络信号传输与电压变化率之间的关联性信号的存储区域中；

(4)处理器调用其内部的运算器按照自适应直接逆控制法的方式来运行，对传递来的网络误差补偿的网络信号作为初始对象的网络信号；

（5）处理器在存储器中开辟一个存储分区，在每个网络信号控制周期中，将弱非线性控制逆模型信号存储在该存储分区中，建立了弱非线性控制逆信号模型。

2.根据权利要求1所述的基于直接逆控制算法的弱非线性网络控制方法,其特征在于：所述步骤（1）中，在网络信号控制的过程中，处理器根据所需网络信号的空间位置内设置有m个矩阵单元接受信号并按顺序组成阵列，根据公式（1）能够导出网络信号的空间位置N_m：

$N_m=N_1+N_2\sin [B,\mathrm{\δ}-\frac{2\mathrm{\π}(m-1)}{T}]---\left(1\right)$

式中，N₁是网络信号控制系统中全部组件的数量，N₂是控制过程中的位置参数，δ是网络信号控制系统负载情况下的电流分量，T是网络信号控制系统负载情况下的频率分量，B是信号带宽分量，m是矩阵单元接受信号的个数；

根据公式（2）导出网络信号控制过程中的电压参数X_m：

$X_m=T_m{k}_m+N_m\frac{{\mathrm{dk}}_m}{\mathrm{dv}}+k_{m}y\frac{{\mathrm{dN}}_m}{\mathrm{d\δ}}---\left(2\right)$

式中，N_m是网络信号的空间位置,δ是网络信号控制系统负载情况下的电流分量，T_m是网络信号控制系统负载情况下的频率分量，v是电压变化分量系数，k_m是电压/电流变化率；

根据公式（3）导出网络信号控制过程中的电磁变化率P：

$P=-\frac{Q_t{N}_2}{2}\underset{T}{\overset{q}{\mathrm{\Σ}}}{n}_m^B\cos [Q,\mathrm{\δ}-\frac{2\mathrm{\π}(m-1)}{T}]---\left(3\right)$

式中，N₂是控制过程中的位置参数，δ是网络信号控制系统负载情况下的电流分量，T是网络信号控制系统负载情况下的频率分量，B是信号带宽分量，m是矩阵单元接受信号的个数，Q_t是网络空间的信号带宽，Q能够用来描述输入数据的阶次数目，

是在B个信号带宽下，第m个信号元的变化频率分量。

3.根据权利要求1所述的基于直接逆控制算法的弱非线性网络控制方法,其特征在于：所述步骤（2）中，

能够利用公式（4）和公式（5）导出控制网络信号的稳定性系数β和ψ，

β＝(1-σ)λ²((1+σ)ξ)（4）

$\mathrm{\ψ}=\frac{\mathrm{\λ}}{\left((1+\mathrm{\σ})\mathrm{\ξ}\right)}---\left(5\right)$

式中，σ和ξ均是网络信号控制系统中的传递网络信号系数，λ是初始网络信号系数；

利用公式（6）和公式（7）导出初始网络信号的状态参数G(α)和G(β)：

$G\left(\mathrm{\α}\right)=\frac{\mathrm{\δ}}{v}---\left(6\right)$

$G\left(\mathrm{\β}\right)=\frac{\mathrm{\δ}}{v^2}---\left(7\right)$

公式（6）和公式（7）中，设置网络信号控制系统中的经验统计值能够用β进行描述，网络信号状态参数能够用β的平均值进行描述，记作G(β)，网络信号控制时的状态参数α的平均值能够用进行描述，记作G(α)；δ是网络信号控制系统负载情况下的电流分量；v是电压变化分量系数；

设置网络信号控制系统中的初始网络信号能够用G(A)＝λ和G(A)＝o进行描述，则能够得到网络信号误差补偿的详细步骤如下所述：

利用公式（8）和公式（9）能够导出控制网络信号的状态参数G(α)和G(β)：

G(α)＝(1-α)G(A)＝(1-α)λ（8）

G(β)＝(1-β²)G(A)＝(1-β²)ο（9）

网络信号控制过程中插值估计结果ψ能够用公式（10）进行计算：

$\mathrm{\ψ}=\frac{\underset{j=0}{\overset{Q}{\mathrm{\Σ}}}(A_j+\mathrm{\λ})(A_{j-l}+\mathrm{\λ})}{\underset{k=l}{\overset{R}{\mathrm{\Σ}}}{(A_{k-u}+\mathrm{\λ})}^{k-u}}---\left(10\right);$

式中，β是设置网络信号控制系统中的经验统计值，则网络信号状态参数能够用β的平均值进行描述，记作G(β)，网络信号控制时的状态参数α的平均值能够用进行描述，记作G(α)；设置网络信号控制系统中的传递网络信号系数是(σ,ξ)，ψ是网络信号控制过程中插值估计结果；A_j、A_j-l、A_k-u是控制网络信号的状态参数；λ是初始网络信号系数。

4.根据权利要求1所述的基于直接逆控制算法的弱非线性网络控制方法,其特征在于：所述步骤（3）中，

Step1:设置误差补偿处理后的网络信号的离散变换结果z(u+e)和z(u)，能够用公式(11)和公式（12）进行描述：

z(u+e)＝g_j(z(u+e-1),…,z(u+e-r),…,v(u-r))（11）

z(u)＝g_j(z(u-1),…,z(u-q),…,v(u-e-r))（12）

式中，v(u)是处理器u时刻需要输入的数据，z(u)是处理器u时刻对应的输出数据，e是处理器u时刻对应的网络信号延迟时间；q是处理器u时刻输入数据的阶次数目，r是处理器u时刻对应的输出数据的阶次数目，g_j是处理器u时刻的离散变换函数，z(u+e)是处理器u时刻网络信号的离散变换结果；

Step2:根据弱非线性控制逆模型的相关原理，能够得到控制网络信号动态逆状态；

利用公式（13）和公式（14）所述：

v(u)＝h_j(z(u+e),z(u+e-1),…,z(u+e-q))（13）

v(u-e)＝h_j((z(u),z(u-1),…,z(u-q),v(u-e-1),…,v(u-e-r))（14）

式中，v(u)是处理器u时刻需要输入的数据，v(u-e-r)是处理器u-e-r时刻需要输入的数据，v(u-e-1)是处理器u-e-1时刻需要输入的数据，z(u)是处理器u时刻对应的输出数据，z(u-1)是处理器u-1时刻对应的输出数据，z(u-q)是处理器u-q时刻对应的输出数据，z(u+e)是处理器u时刻网络信号的离散变换结果，z(u+e-1)是处理器u+e-1时刻网络信号的离散变换结果；z(u+e-q)是处理器u+e-q时刻网络信号的离散变换结果；e是处理器u时刻对应的网络信号延迟时间，h_j是处理器u时刻的离散变换函数；

Step3:针对弱非线性控制逆模型，能够得到在u时刻的初始网络信号y_j；

y_j＝(z(u),z(u-1),…,z(u-q),v(u-e-1),…,v(u-e-r))（15）

则对应的逆模型能够用(yj,zj)描述；

式中，v(u-e-1)是处理器u-e-1时刻需要输入的数据，v(u-e-r)是处理器u-e-r时刻需要输入的数据，z(u)是处理器u时刻对应的输出数据，z(u-1)是处理器u-1时刻对应的输出数据，z(u-q)是处理器u-q时刻对应的输出数据，e是处理器u时刻对应的网络信号延迟时间，r是处理器u时刻对应的输出数据的阶次数目，h_j是处理器u时刻的离散变换函数；

Step4:对上述逆模型的输出结果进行复合离散变换处理z(a)，利用公式（16）能够得到下述结果：

z(a)＝a^-eγ(a)（16）

式中，a^-e是复合离散变换系数，γ(a)是处理器输出数据的阶次数目；

Step5:利用公式（17）能够描述弱非线性控制逆模型的期望输出结果v(u)：

v(u)＝h_j(z_s(u+e),z_s(u+e-¹),…,z_s(u+1))（17）

式中，h_j是处理器u时刻的离散变换函数，z_s(u+e)是第S个信号元处理器u+e时刻的网络信号离散变换结果，z_s(u+e-1)是第S个信号元处理器u+e-1时刻的网络信号离散变换结果，z_s(u+1)是第S个信号元处理器u+1时刻的网络信号离散变换结果，

z_s(u)是第S个信号元处理器u时刻的网络信号离散变换结果；

Step6:在期望输出结果对应的u时刻，期望输出控制量v(u)，

能够用公式（18）进行描述：

v(u)＝h_j(z_s(u),z_s(u-1),…,z_s(u-q))（18）

式中，h_j是处理器u时刻的离散变换函数，z_s(u)是第S个信号元处理器u时刻的网络信号离散变换结果，z_s(u-1)是第S个信号元，处理器u-1时刻的网络信号离散变换结果，z_s(u-q)是第S个信号元，处理器u-q时刻的网络信号离散变换结果。

5.根据权利要求4所述的基于直接逆控制算法的弱非线性网络控制方法,其特征在于：所述步骤（3）中，根据公式（19）和公式（20）可以导出网络信号控制系统中的电压平衡状态参数的w_b和w_c：

$w_b={\mathrm{Tk}}_b+N\frac{\mathrm{dk}}{\mathrm{dv}}-M_{p}y\cos (Q_t,\mathrm{\ρ})---\left(19\right)$

$w_c={\mathrm{Tk}}_c+N\frac{d{k}_c}{\mathrm{dv}}-M_{p}y\cos (Q_t,\mathrm{\ρ})---\left(20\right)$

式中，w_b是网络信号控制系统中的初始电压，w_c是该系统中对应的初始电流，k_b是电压变化率，k_c是电流变化率，ρ是网络信号传输的矢量相关系数；T是网络信号控制系统负载情况下的频率分量，M_p是电磁变换函数，Q_t是网络空间的信号带宽；

根据下述公式可以获取网络信号控制系统负载惯性参数y：

$\frac{\mathrm{d\ρ}}{\mathrm{dv}}=y---\left(21\right)$

式中，v是电压变化分量系数，ρ是网络信号传输的矢量相关系数。

6.根据权利要求1所述的基于直接逆控制算法的弱非线性网络控制方法,其特征在于：所述步骤（4）中，建立网络信号控制系统数学模型如下所述：

$v_f^{\′}=\frac{X_k-(T_g\·y\·n_2\·\cos (Q_t\·\mathrm{\ρ}))\·k_q}{n_1+n_2\·\sin (q_t\·\mathrm{\ρ})}---\left(22\right)$

$v_m^{\′}=\frac{X_k-(T_m\·q_t\·n_1\·\cos (Q_t\·\frac{2\mathrm{\π\ρ}}{3}\mathrm{\ρ}))\·k_d}{n_1+n_2\·\sin (q_t\·\mathrm{\ρ}-\frac{2\mathrm{\π}}{3})}---\left(23\right)$

${\mathrm{\ρ}}^{\′}=\frac{x}{2}---\left(24\right)$

$y^{\′}=\frac{1}{L_j}[-\frac{1}{2}{n}_1\·q_t\·k_t\·\cos (Q_t\·\mathrm{\ρ})]---\left(25\right)$

式中，X_k是网络信号控制系统中指定时刻的电压值，T_g是该时刻的电流值，y是网络信号控制系统负载惯性参数，ρ是网络信号传输的矢量相关系数，ρ′是矢量相关系数的导数，Q_t是网络空间的信号带宽，v′_m是不同信号元数量的电压变化分量，v′_f是不同空间位置的电压变化分量，x是电压参数，n₁是网络信号控制系统中全部组件的数量，n₂是控制过程中的位置参数，L_j是电压参数，T_m是网络信号控制系统负载情况下的频率分量，k_d是网络信号控制系统负载情况下频率分量的变化率；k_q是输入数据的阶次数目的变化率，q_t是处理器t时刻输入数据的阶次数目。

Images