CN112862106A - 一种基于自适应编解码迭代学习控制信息传输系统和方法 - Google Patents

一种基于自适应编解码迭代学习控制信息传输系统和方法 Download PDF

Info

Publication number
CN112862106A
CN112862106A CN202110069443.6A CN202110069443A CN112862106A CN 112862106 A CN112862106 A CN 112862106A CN 202110069443 A CN202110069443 A CN 202110069443A CN 112862106 A CN112862106 A CN 112862106A
Authority
CN
China
Prior art keywords
module
adaptive
information
decoding
coding
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
CN202110069443.6A
Other languages
English (en)
Other versions
CN112862106B (zh
Inventor
沈栋
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.)
Renmin University of China
Original Assignee
Renmin University of China
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 Renmin University of China filed Critical Renmin University of China
Priority to CN202110069443.6A priority Critical patent/CN112862106B/zh
Publication of CN112862106A publication Critical patent/CN112862106A/zh
Application granted granted Critical
Publication of CN112862106B publication Critical patent/CN112862106B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Compression, Expansion, Code Conversion, And Decoders (AREA)

Abstract

本发明涉及一种基于自适应编解码迭代学习控制信息传输系统和方法，包括：待传输信息生成模块，用于生成待传输信息；第一自适应编码模块，接收信息，并对其进行编码；第一解码模块，对编码信息进行解码，并将其传输至控制模块；控制模块，接收解码信息、期望输出轨迹信息和待传输信息生成模块的输入信号，并根据其接收的信息生成新的输入信号；第二自适应编码模块，对新的输入信号进行编码；第二解码模块，对编码信息进行解码，并将其传输至待传输信息生成模块以生成新的待传输信息。其可以利用量化方法极大减少网络环境下的数据传输量，同时能够克服量化带来的量化误差影响，实现零误差跟踪。

Description

一种基于自适应编解码迭代学习控制信息传输系统和方法
技术领域
本发明涉及一种基于自适应编解码迭代学习控制信息传输系统和方法，属于无线通讯技术领域。
背景技术
随着控制系统的大型化、网络化发展，越来越多的控制信号需要通过网络进行实时传输。无线传输方式由于其廉价易部署的特性，也得到了更广泛的关注。无论是网络传输还是无线传输方式，其传输负载都不希望过大。如果运行负载过高，就可能导致网络阻塞、延迟、乱序等结果。
迭代学习控制是一种几乎不依赖于系统信息的、类比人类学习行为的数据驱动控制策略，其核心思想是基于对已完成运行过程的各种数据，对系统运行过程内在的重复性不断进行学习，从而改善系统跟踪性能，适用于非线性、强耦合、建模困难及高精度跟踪难题。
如图1所示，为现有技术中的迭代学习控制系统的结构示意图，若系统为一类离散线性时不变系统，该系统模型表示为：
Figure BDA0002905262790000011
其中，k为迭代批次，t为离散时间点，xk(t)、yk(t)和uk(t)分别为系统状态、系统输出和系统输入，A、B和C均为系统矩阵。若不考虑量化，经典迭代学习控制的控制律为：
uk+1(t)＝uk(t)+L*ek(t+1)
其中L为可调增益矩阵，ek(t+1)＝yd(t+1)-yk(t+1),表示第k次迭代第t+1时刻系统输出yk(t+1)与期望轨迹yd(t+1)的误差。现有迭代学习理论已经证明了选择合适的L，在满足收敛条件的情况下，该控制律可以实现系统对期望跟踪轨迹的精确跟踪。
现有迭代学习控制(ILC)多依赖于对完整历史数据的使用，在实际复杂系统操作过程中，需要不断增加硬件投入来确保数据的完备性，使得系统负担和控制成本大大增加。近几十年来，网络技术得到长足发展，特别是廉价易部署的无线传输方式得到大范围应用。根据网络环境的不同，可以使用更便宜的设备以更小的带宽交换更多信息。
量化作为主动不完备数据的方式，针对具体控制目标，将信号连续取值映射为多个离散值，通常表现为模拟信号到数字信号的转化，可有效降低数据量，使系统占用更小硬件资源。量化会不可避免的引入误差，称为量化误差。过去的方法均需先向系统传递期望参考轨迹，并与实际输出进行比较，在现场产生跟踪误差，然后将误差信息量化并传输回来以更新输入信号，此类方法都得益于对数量化器在给定有限范围内足够的精度特性。然而，在给定的有限范围内，对数量化器的状态是无限的，内存需求太大。在加入了量化影响的迭代学习控制系统中，由于量化导致了系统实际输出值与迭代学习控制律计算所得到的输入不可能直接通过网络精确传输，因此会引入量化误差，从而无法实现零误差跟踪。
发明内容
针对上述问题，本发明的目的是提供了一种基于自适应编解码迭代学习控制信息传输系统和方法，其不需要通过网络环境精确地传递期望参考轨迹，同时能够克服量化带来的量化误差影响，实现零误差跟踪。
为实现上述目的，本发明采取以下技术方案：一种基于自适应编解码迭代学习控制信息传输系统，包括：待传输信息生成模块、第一自适应编码模块、第一解码模块、控制模块、第二自适应编码模块和第二解码模块；待传输信息生成模块，用于生成待传输信息；第一自适应编码模块，接收信息，并对其进行编码；第一解码模块，对第一自适应编码模块的编码信息进行解码，并将其传输至控制模块；控制模块，接收第一解码模块的解码信息、期望输出轨迹信息和待传输信息生成模块的输入信号，并根据其接收的信息生成新的输入信号；第二自适应编码模块，对新的输入信号进行编码；第二解码模块，对第二自适应编码模块的编码信息进行解码，并将其传输至待传输信息生成模块以生成新的待传输信息；第一自适应编码模块和第二自适应编码模块均根据其输出的量化输出值对其内部参数进行调节。
进一步，控制模块根据第一解码模块的解码信息对其自适应参数进行调节；待传输信息生成模块根据第二自适应编码模块的解码信息对其自适应参数进行调节。
进一步，第一自适应编码模块、第一解码模块、第二自适应编码模块和第二解码模块的量化器设置为：
Figure BDA0002905262790000021
其中，i＝1,2,…,v-1，v是最大量化层级，m是一个任意值，若输入向量为m(t)＝[m1(t),m2(t),…,mn(t)]，则输出为Q(m(t))＝[Q(m1(t)),Q(m2(t)),…,Q(mn(t))]，且设置自适应参数调节系数γ，其取值范围为0<γ<1。
进一步，第一自适应编码模块采用以下方法进行编码：若当前批次为第k+1批次，将采集信号yk+1(t+1)输入第一自适应编码，并根据下式进行编码：
Figure BDA0002905262790000031
其中，
Figure BDA0002905262790000032
为编码器第k批次时第一自适应编码模块的内部状态，内部状态可以理解为编码器的模块运行可以看作一个动态系统，这个动态系统的内部状态，以及为了实现编解码数据相同而额外计算产生的参考值，
Figure BDA0002905262790000033
为编码器第k+1批次时第一自适应编码的的内部状态，gk+1(t)为第k+1批次第一自适应编码的自适应调节参数，
Figure BDA0002905262790000034
为第一自适应编码的量化器输出数据，Q是简单均匀量化器，
Figure BDA0002905262790000035
是第k+1批次第一自适应编码的自适应调节参数的倒数。
进一步，对第一解码模块案按照下式解码：
Figure BDA0002905262790000036
其中，
Figure BDA0002905262790000037
是解码后所得第k+1批次输出估计值，
Figure BDA0002905262790000038
是解码后所得第k批次输出估计值，
Figure BDA0002905262790000039
是第k+1批次第一自适应编码的自适应调节参数的倒数，
Figure BDA00029052627900000310
为量化器输出数据。
进一步，对第一自适应编码模块和待传输信息生成模块对其内部参数进行调节的调节机制均为：
Figure BDA00029052627900000311
其中，gk+2(t)为第k+2批次的自适应调节参数，γ是自适应参数调节系数，γ-1是自适应参数调节系数的倒数，v是最大量化水平。
进一步，控制模块输出的新的输入信号uk+1(t)为：
Figure BDA00029052627900000312
其中，uk(t)为第k批次的输入信号，L为增益矩阵，yd(t)为期望轨迹，
Figure BDA00029052627900000313
是解码后所得第k批次输出估计值。
进一步，第二自适应编码模块采用以下方法进行编码：若当前批次为第k+1批次，将采集信号uk+1(t)输入第二自适应编码，并根据下式进行编码：
Figure BDA00029052627900000314
其中，
Figure BDA00029052627900000315
为编码器第k批次时第二自适应编码的内部状态，
Figure BDA00029052627900000316
为编码器第k+1批次时第二自适应编码的内部状态，hk+1(t)为第k+1批次第二自适应编码的自适应调节参数，
Figure BDA0002905262790000041
为第二自适应编码的量化器输出数据，Q是简单均匀量化器，
Figure BDA0002905262790000042
是第k+1批次第二自适应编码的自适应调节参数；
对第二解码模块按照下式解码：
Figure BDA0002905262790000043
其中，
Figure BDA0002905262790000044
是解码后所得第k+1批次系统输入估计值，
Figure BDA0002905262790000045
是解码后所得第k批次系统输入估计值，
Figure BDA0002905262790000046
是第k+1批次第二自适应编码的自适应调节参数，
Figure BDA0002905262790000047
为第二自适应编码的量化器输出数据。
进一步，对第二自适应编码模块和控制模块对其内部参数进行调节的调节机制均为：
Figure BDA0002905262790000048
其中，hk+2(t)为第k+2批次第二自适应编码模块的自适应调节参数，γ是自适应参数调节系数，γ-1是自适应参数调节系数的倒数，v是最大量化水平。
本发明还公开了一种基于自适应编解码迭代学习控制信息传输方法，用于上述任一种的基于自适应编解码迭代学习控制信息传输系统，包括以下步骤：
S1将待传输信息生成模块、第一编码模块、第一解码模块、控制模块和第二解码模块进行初始化，生成初始待传输信息；
S2信息通过第一解码模块进行编码，根据其输出的量化输出值对其内部参数进行调节；
S3第一解码模块对第一自适应编码模块的编码信息进行解码，并将其传输至控制模块；
S4控制模块接收第一解码模块的解码信息、期望输出轨迹信息和待传输信息生成模块的输入信号，根据其接收的信息生成新的输入信号，同时根据第一解码模块的解码信息对其自适应参数进行调节；
S5新的输入信号通过第二自适应编码模块进行编码，并根据其输出的量化输出值对其内部参数进行调节；
S6第二解码模块第二自适应编码模块的编码信息进行解码，并将其传输至待传输信息生成模块以生成新的待传输信息，待传输信息生成模块根据第二解码模块的解码信息对其自适应参数进行调节。
本发明由于采取以上技术方案，其具有以下优点：1、本发明可以利用量化方法极大减少网络环境下的数据传输量，同时能够克服量化带来的量化误差影响，实现零误差跟踪。2、本发明由于采用了自适应参数调节方法，对量化器的设计要求降低，普通的均匀量化器即可达到设计要求。3、不需要通过网络环境精确地传递期望参考轨迹。
附图说明
图1是现有技术中迭代学习控制系统的结构示意图；
图2是本发明一实施例中基于自适应编解码迭代学习控制信息传输方法的示意图。
具体实施方式
为了使本领域技术人员更好的理解本发明的技术方向，通过具体实施例对本发明进行详细的描绘。然而应当理解，具体实施方式的提供仅为了更好地理解本发明，它们不应该理解成对本发明的限制。在本发明的描述中，需要理解的是，所用到的术语仅仅是用于描述的目的，而不能理解为指示或暗示相对重要性。
本发明针对已有量化误差处理技术的缺陷，提出了一种基于自适应编解码迭代学习控制信息传输系统和方法，其利用编解码方法的内部状态，每次传输与上一批次内部状态差值，且利用自适应参数调节对差值进行伸缩变换，以免差值始终位于量化死区。用于克服量化误差带来的影响，保障低数据传输速率下迭代学习控制系统的高精度跟踪控制效果。下面通过两个具体的实施例对本发明的技术方案进行详细说明。
实施例一
本实施例公开了一种基于自适应编解码迭代学习控制信息传输系统，如图2所示，包括：待传输信息生成模块、第一自适应编码模块、第一解码模块、控制模块、第二自适应编码模块和第二解码模块；
待传输信息生成模块，用于生成待传输信息；
第一自适应编码模块，接收信息，并对其进行编码；
第一解码模块，对第一自适应编码模块的编码信息进行解码，并将其传输至控制模块；
控制模块，接收第一解码模块的解码信息、期望输出轨迹信息和待传输信息生成模块的输入信号，并根据其接收的信息生成新的输入信号；
第二自适应编码模块，对所述新的输入信号进行编码；
所述第二解码模块，对所述第二自适应编码模块的编码信息进行解码，并将其传输至所述待传输信息生成模块以生成新的待传输信息；
所述第一自适应编码模块和所述第二自适应编码模块均根据其输出的量化输出值对其内部参数进行调节。
控制模块根据第一解码模块的解码信息对其自适应参数进行调节；待传输信息生成模块根据第二自适应编码模块的解码信息对其自适应参数进行调节。
第一自适应编码模块、第一解码模块、第二自适应编码模块和第二解码模块的量化器设置为：
Figure BDA0002905262790000061
其中，i＝1,2,…,v-1，v是最大量化层级，m是一个任意值，若输入向量为m(t)＝[m1(t),m2(t),…,mn(t)]，则输出为Q(m(t))＝[Q(m1(t)),Q(m2(t)),…,Q(mn(t))]，且设置自适应参数调节系数γ，其取值范围为0<γ<1。
第一自适应编码模块采用以下方法进行编码：若当前批次为第k+1批次，将采集信号yk+1(t+1)输入第一自适应编码，并根据下式进行编码：
Figure BDA0002905262790000062
其中，
Figure BDA0002905262790000063
为编码器第k批次时第一自适应编码的的内部状态，内部状态可以理解为编码器的模块运行可以看作一个动态系统，这个动态系统的内部状态，以及为了实现编解码数据相同而额外计算产生的参考值，，
Figure BDA0002905262790000064
为编码器第k+1批次时第一自适应编码的的内部状态，gk+1(t)为第k+1批次第一自适应编码的自适应调节参数，
Figure BDA0002905262790000065
为第一自适应编码的量化器输出数据，Q是简单均匀量化器，
Figure BDA0002905262790000066
是第k+1批次第一自适应编码的自适应调节参数的倒数。
对第一解码模块按照下式解码：
Figure BDA0002905262790000067
其中，
Figure BDA0002905262790000068
是解码后所得第k+1批次输出估计值，
Figure BDA0002905262790000069
是解码后所得第k批次输出估计值，
Figure BDA00029052627900000610
是第k+1批次第一自适应编码的自适应调节参数的倒数，
Figure BDA00029052627900000611
为量化器输出数据。
对第一自适应编码模块和待传输信息生成模块对其内部参数进行调节的调节机制均为：
Figure BDA00029052627900000612
其中，gk+2(t)为第k+2批次的自适应调节参数，γ是自适应参数调节系数，γ-1是自适应参数调节系数的倒数，v是最大量化水平。
控制模块输出的新的输入信号uk+1(t)为：
Figure BDA0002905262790000071
其中，uk(t)为第k批次的输入信号，L为增益矩阵，yd(t)为期望轨迹，
Figure BDA0002905262790000072
是解码后所得第k+1批次输出估计值。
第二自适应编码模块采用以下方法进行编码：若当前批次为第k+1批次，将采集信号uk+1(t)输入第二自适应编码，并根据下式进行编码：
Figure BDA0002905262790000073
其中，
Figure BDA0002905262790000074
为编码器第k批次时第二自适应编码的内部状态，
Figure BDA0002905262790000075
为编码器第k+1批次时第二自适应编码的内部状态，hk+1(t)为第k+1批次第二自适应编码的自适应调节参数，
Figure BDA0002905262790000076
为第二自适应编码的量化器输出数据，Q是简单均匀量化器，
Figure BDA0002905262790000077
是第k+1批次第二自适应编码的自适应调节参数；
对第二解码模块按照下式解码：
Figure BDA0002905262790000078
其中，
Figure BDA0002905262790000079
是解码后所得第k+1批次系统输入估计值，
Figure BDA00029052627900000710
是解码后所得第k批次系统输入估计值，
Figure BDA00029052627900000711
是第k+1批次第二自适应编码的自适应调节参数，
Figure BDA00029052627900000712
为第二自适应编码的量化器输出数据。
对第二自适应编码模块和控制模块对其内部参数进行调节的调节机制均为：
Figure BDA00029052627900000713
其中，hk+2(t)为第k+2批次第二自适应编码模块的自适应调节参数，γ是自适应参数调节系数，γ-1是自适应参数调节系数的倒数，v是最大量化水平。
实施例二
基于相同的发明构思，本实施例公开一种基于自适应编解码迭代学习控制信息传输方法，其特征在于，用于实施例一中任一项的基于自适应编解码迭代学习控制信息传输系统，包括以下步骤：
S1将待传输信息生成模块、第一解码模块、控制模块和第二解码模块进行初始化，生成初始待传输信息；
待传输信息生成模块、第一编码模块、第一解码模块、控制模块和第二解码模块参数结构初始化方法如下：
第一编码模块内部状态设置为
Figure BDA00029052627900000714
第一解码模块内部状态设置为
Figure BDA00029052627900000715
Figure BDA0002905262790000081
控制器输出端编码器内部状态设置为
Figure BDA0002905262790000082
第二解码模块内部状态设置为
Figure BDA0002905262790000083
S2信息通过第一解码模块进行编码，根据其输出的量化输出值对其内部参数进行调节；
S3第一解码模块对第一自适应编码模块的编码信息进行解码，并将其传输至控制模块；
S4控制模块接收第一解码模块的解码信息、期望输出轨迹信息和待传输信息生成模块的输入信号，根据其接收的信息生成新的输入信号，同时根据第一解码模块的解码信息对其自适应参数进行调节；
S5新的输入信号通过第二自适应编码模块进行编码，并根据其输出的量化输出值对其内部参数进行调节；
S6第二解码模块第二自适应编码模块的编码信息进行解码，并将其传输至待传输信息生成模块以生成新的待传输信息，待传输信息生成模块根据第二解码模块的解码信息对其自适应参数进行调节。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。上述内容仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。

Claims (10)

1.一种基于自适应编解码迭代学习控制信息传输系统，其特征在于，包括：待传输信息生成模块、第一自适应编码模块、第一解码模块、控制模块、第二自适应编码模块和第二解码模块；
所述待传输信息生成模块，用于生成待传输信息；
所述第一自适应编码模块，接收所述信息，并对其进行编码；
所述第一解码模块，对所述第一自适应编码模块的编码信息进行解码，并将其传输至所述控制模块；
所述控制模块，接收所述第一解码模块的解码信息、期望输出轨迹信息和所述待传输信息生成模块的输入信号，并根据其接收的信息生成新的输入信号；
所述第二自适应编码模块，对所述新的输入信号进行编码；
所述第二解码模块，对所述第二自适应编码模块的编码信息进行解码，并将其传输至所述待传输信息生成模块以生成新的待传输信息；
所述第一自适应编码模块和所述第二自适应编码模块均根据其输出的量化输出值对其内部参数进行调节。
2.如权利要求1所述的基于自适应编解码迭代学习控制信息传输系统，其特征在于，所述控制模块根据所述第一解码模块的解码信息对其自适应参数进行调节；所述待传输信息生成模块根据所述第二自适应编码模块的解码信息对其自适应参数进行调节。
3.如权利要求2所述的基于自适应编解码迭代学习控制信息传输系统，其特征在于，第一自适应编码模块、第一解码模块、第二自适应编码模块和第二解码模块的量化器设置为：
Figure FDA0002905262780000011
其中，i＝1,2,…,v-1，v是最大量化层级，m是一个任意值，若输入向量为m(t)＝[m1(t),m2(t),…,mn(t)]，则输出为Q(m(t))＝[Q(m1(t)),Q(m2(t)),…,Q(mn(t))]，且设置自适应参数调节系数γ，其取值范围为0<γ<1。
4.如权利要求3所述的基于自适应编解码迭代学习控制信息传输系统，其特征在于，所述第一自适应编码模块采用以下方法进行编码：若当前批次为第k+1批次，将采集信号yk+1(t+1)输入所述第一自适应编码，并根据下式进行编码：
Figure FDA0002905262780000021
其中，
Figure FDA0002905262780000022
为编码器第k批次时第一自适应编码的的内部状态，
Figure FDA0002905262780000023
为编码器第k+1批次时第一自适应编码的的内部状态，gk+1(t)为第k+1批次第一自适应编码的自适应调节参数，
Figure FDA0002905262780000024
为第一自适应编码的量化器输出数据，Q是简单均匀量化器，
Figure FDA0002905262780000025
是第k+1批次第一自适应编码的自适应调节参数的倒数。
5.如权利要求4所述的基于自适应编解码迭代学习控制信息传输系统，其特征在于，对所述第一解码模块按照下式解码：
Figure FDA0002905262780000026
其中，
Figure FDA0002905262780000027
是解码后所得第k+1批次输出估计值，
Figure FDA0002905262780000028
是解码后所得第k批次输出估计值，
Figure FDA0002905262780000029
是第k+1批次第一自适应编码的自适应调节参数的倒数，
Figure FDA00029052627800000210
为量化器输出数据。
6.如权利要求5所述的基于自适应编解码迭代学习控制信息传输系统，其特征在于，对所述第一自适应编码模块和所述待传输信息生成模块对其内部参数进行调节的调节机制均为：
Figure FDA00029052627800000211
其中，gk+2(t)为第k+2批次的自适应调节参数，γ是自适应参数调节系数，γ-1是自适应参数调节系数的倒数，v是最大量化水平。
7.如权利要求2-6任一项所述的基于自适应编解码迭代学习控制信息传输系统，其特征在于，所述控制模块输出的新的输入信号uk+1(t)为：
Figure FDA00029052627800000212
其中，uk(t)为第k批次的输入信号，L为增益矩阵，yd(t)为期望轨迹，
Figure FDA00029052627800000213
是解码后所得第k+1批次输出估计值。
8.如权利要求7所述的基于自适应编解码迭代学习控制信息传输系统，其特征在于，所述第二自适应编码模块采用以下方法进行编码：若当前批次为第k+1批次，将采集信号uk+1(t)输入所述第二自适应编码，并根据下式进行编码：
Figure FDA00029052627800000214
其中，
Figure FDA00029052627800000215
为编码器第k批次时第二自适应编码的内部状态，
Figure FDA00029052627800000216
为编码器第k+1批次时第二自适应编码的内部状态，hk+1(t)为第k+1批次第二自适应编码的自适应调节参数，
Figure FDA0002905262780000031
为第二自适应编码的量化器输出数据，Q是简单均匀量化器，
Figure FDA0002905262780000032
是第k+1批次第二自适应编码的自适应调节参数；
对所述第二解码模块案按照下式解码：
Figure FDA0002905262780000033
其中，
Figure FDA0002905262780000034
是解码后所得第k+1批次系统输入估计值，
Figure FDA0002905262780000035
是解码后所得第k批次系统输入估计值，
Figure FDA0002905262780000036
是第k+1批次第二自适应编码的自适应调节参数，
Figure FDA0002905262780000037
为第二自适应编码的量化器输出数据。
9.如权利要求8所述的基于自适应编解码迭代学习控制信息传输系统，其特征在于，对所述第二自适应编码模块和所述控制模块对其内部参数进行调节的调节机制均为：
Figure FDA0002905262780000038
其中，hk+2(t)为第k+2批次第二自适应编码模块的自适应调节参数，γ是自适应参数调节系数，γ-1是自适应参数调节系数的倒数，v是最大量化水平。
10.一种基于自适应编解码迭代学习控制信息传输方法，其特征在于，用于如权利要求1-9任一项所述的基于自适应编解码迭代学习控制信息传输系统，包括以下步骤：
S1将待传输信息生成模块、第一编码模块、第一解码模块、控制模块和第二解码模块进行初始化，生成初始待传输信息；
S2所述信息通过所述第一解码模块进行编码，根据其输出的量化输出值对其内部参数进行调节；
S3所述第一解码模块对所述第一自适应编码模块的编码信息进行解码，并将其传输至所述控制模块；
S4所述控制模块接收所述第一解码模块的解码信息、期望输出轨迹信息和所述待传输信息生成模块的输入信号，根据其接收的信息生成新的输入信号，同时根据所述第一解码模块的解码信息对其自适应参数进行调节；
S5所述新的输入信号通过所述第二自适应编码模块进行编码，并根据其输出的量化输出值对其内部参数进行调节；
S6所述第二解码模块所述第二自适应编码模块的编码信息进行解码，并将其传输至所述待传输信息生成模块以生成新的待传输信息，所述待传输信息生成模块根据所述第二解码模块的解码信息对其自适应参数进行调节。
CN202110069443.6A 2021-01-19 2021-01-19 一种基于自适应编解码迭代学习控制信息传输系统和方法 Active CN112862106B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110069443.6A CN112862106B (zh) 2021-01-19 2021-01-19 一种基于自适应编解码迭代学习控制信息传输系统和方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110069443.6A CN112862106B (zh) 2021-01-19 2021-01-19 一种基于自适应编解码迭代学习控制信息传输系统和方法

Publications (2)

Publication Number Publication Date
CN112862106A true CN112862106A (zh) 2021-05-28
CN112862106B CN112862106B (zh) 2024-01-30

Family

ID=76007365

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110069443.6A Active CN112862106B (zh) 2021-01-19 2021-01-19 一种基于自适应编解码迭代学习控制信息传输系统和方法

Country Status (1)

Country Link
CN (1) CN112862106B (zh)

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2006030754A1 (ja) * 2004-09-17 2006-03-23 Matsushita Electric Industrial Co., Ltd. オーディオ符号化装置、復号化装置、方法、及びプログラム
CN101127929A (zh) * 2006-08-17 2008-02-20 华为技术有限公司 交换网络实时检测处理系统及方法
CN101282204A (zh) * 2008-05-13 2008-10-08 山东大学 基于自适应编码调制的自适应协作重传方法
US20110090950A1 (en) * 2009-10-15 2011-04-21 General Electric Company System and method for enhancing data compression using dynamic learning and control
CN102323790A (zh) * 2011-07-15 2012-01-18 浙江工业大学 两轴数控系统的串级型迭代学习交叉耦合轮廓误差控制方法
CN102597948A (zh) * 2009-10-23 2012-07-18 信飞系统公司 信号数据的块浮点压缩
US20140023286A1 (en) * 2012-07-19 2014-01-23 Xuanming Du Decoder performance through quantization control
CN105120281A (zh) * 2009-01-27 2015-12-02 汤姆森特许公司 视频编码和解码中用于变换选择的方法和装置
CN105955206A (zh) * 2016-05-26 2016-09-21 东华大学 一种基于数据驱动和参数混合优化的多轴运动控制方法
CN106899295A (zh) * 2017-02-21 2017-06-27 青岛大学 一种随机量化信号解码方法及系统
CN107276724A (zh) * 2017-06-29 2017-10-20 沈阳理工大学 基于事件触发的网络化控制系统编码器及其编码方法
CN110249342A (zh) * 2016-12-15 2019-09-17 谷歌有限责任公司 使用机器学习模型的自适应信道编码
CN111736460A (zh) * 2020-05-28 2020-10-02 西华大学 机器人自适应迭代学习控制方法及系统

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2006030754A1 (ja) * 2004-09-17 2006-03-23 Matsushita Electric Industrial Co., Ltd. オーディオ符号化装置、復号化装置、方法、及びプログラム
CN101127929A (zh) * 2006-08-17 2008-02-20 华为技术有限公司 交换网络实时检测处理系统及方法
CN101282204A (zh) * 2008-05-13 2008-10-08 山东大学 基于自适应编码调制的自适应协作重传方法
CN105120281A (zh) * 2009-01-27 2015-12-02 汤姆森特许公司 视频编码和解码中用于变换选择的方法和装置
US20110090950A1 (en) * 2009-10-15 2011-04-21 General Electric Company System and method for enhancing data compression using dynamic learning and control
CN102597948A (zh) * 2009-10-23 2012-07-18 信飞系统公司 信号数据的块浮点压缩
CN102323790A (zh) * 2011-07-15 2012-01-18 浙江工业大学 两轴数控系统的串级型迭代学习交叉耦合轮廓误差控制方法
US20140023286A1 (en) * 2012-07-19 2014-01-23 Xuanming Du Decoder performance through quantization control
CN105955206A (zh) * 2016-05-26 2016-09-21 东华大学 一种基于数据驱动和参数混合优化的多轴运动控制方法
CN110249342A (zh) * 2016-12-15 2019-09-17 谷歌有限责任公司 使用机器学习模型的自适应信道编码
CN106899295A (zh) * 2017-02-21 2017-06-27 青岛大学 一种随机量化信号解码方法及系统
CN107276724A (zh) * 2017-06-29 2017-10-20 沈阳理工大学 基于事件触发的网络化控制系统编码器及其编码方法
CN111736460A (zh) * 2020-05-28 2020-10-02 西华大学 机器人自适应迭代学习控制方法及系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
C. ZHANG AND D. SHEN: "\"Finite-level Quantized Iterative Learning Control by Encoding-Decoding Mechanisms\"", 《2018 IEEE 7TH DATA DRIVEN CONTROL AND LEARNING SYSTEMS CONFERENCE (DDCLS)》, pages 289 - 294 *
SHEN D等: ""Zero-error tracking control under unified quantized iterative learning framework via encoding–decoding method"", 《IEEE TRANSACTIONS ON CYBERNETICS》, vol. 52, no. 4, pages 2 - 3 *
王晶,周楠,王森等: ""随机变批次长度的反馈辅助PD型量化迭代学习控制"", 《控制与决策》, vol. 36, no. 10, pages 2569 - 2576 *

Also Published As

Publication number Publication date
CN112862106B (zh) 2024-01-30

Similar Documents

Publication Publication Date Title
Shlezinger et al. UVeQFed: Universal vector quantization for federated learning
CN110474716B (zh) 基于降噪自编码器的scma编解码器模型的建立方法
Silva et al. A characterization of the minimal average data rate that guarantees a given closed-loop performance level
You et al. Attainability of the minimum data rate for stabilization of linear systems via logarithmic quantization
CN110989347B (zh) 一种基于事件触发机制的网络化控制系统和控制方法
CN1598720A (zh) 具有非线性预测性能的多输入/多输出控制块
Okajima et al. Dynamic quantizer design under communication rate constraints
CN1867967B (zh) 音频编码中的率失真控制方案
CN113625563A (zh) 一种直流电动机量化迭代学习容错控制方法
CN109635938A (zh) 一种自主学习脉冲神经网络权值量化方法
CN105103192A (zh) 用于顶点误差校正的方法和装置
CN116135485A (zh) 一种二自由度机械臂的预设性能轨迹跟踪控制器设计方法
CN112862106A (zh) 一种基于自适应编解码迭代学习控制信息传输系统和方法
CN116614637B (zh) 一种数据处理方法、装置、设备以及可读存储介质
Kaspi et al. Structure theorems for real-time variable rate coding with and without side information
CN112904724B (zh) 基于误差自适应编解码迭代学习控制信息传输系统和方法
CN109523766B (zh) 无线控制装置中的控制系统量化器及其量化反馈控制方法
CN113644857B (zh) 一种永磁直线电机有限级量化迭代学习控制方法
Qiu et al. Quantized iterative learning control for impulsive differential inclusion systems with data dropouts
CN113935457A (zh) 一种基于正态分布的脉冲神经网络输入信号编码方法
CN106899295A (zh) 一种随机量化信号解码方法及系统
EP4196919A1 (en) Method and system for quantizing a neural network
Tao et al. Gradient-Based Iterative Learning Control for Signal Quantization with Encoding-Decoding Mechanism
WO2022217502A1 (zh) 信息处理方法、装置、通信设备及存储介质
EP2627009A1 (en) Method and device for decoding low-density parity-check code

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant