CN112904724B - 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 - Google Patents

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 Download PDF

Info

Publication number
CN112904724B
CN112904724B CN202110068330.4A CN202110068330A CN112904724B CN 112904724 B CN112904724 B CN 112904724B CN 202110068330 A CN202110068330 A CN 202110068330A CN 112904724 B CN112904724 B CN 112904724B
Authority
CN
China
Prior art keywords
module
information
decoding
transmitted
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.)
Active
Application number
CN202110068330.4A
Other languages
English (en)
Other versions
CN112904724A (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 CN202110068330.4A priority Critical patent/CN112904724B/zh
Publication of CN112904724A publication Critical patent/CN112904724A/zh
Application granted granted Critical
Publication of CN112904724B publication Critical patent/CN112904724B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G05CONTROLLING; REGULATING
    • G05BCONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G05B13/042Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
    • HELECTRICITY
    • H04ELECTRIC COMMUNICATION TECHNIQUE
    • H04LTRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L1/00Arrangements for detecting or preventing errors in the information received
    • H04L1/0001Systems modifying transmission characteristics according to link quality, e.g. power backoff
    • H04L1/0006Systems modifying transmission characteristics according to link quality, e.g. power backoff by adapting the transmission format
    • YGENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02DCLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00Reducing energy consumption in communication networks
    • Y02D30/70Reducing energy consumption in communication networks in wireless communication networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Quality & Reliability (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Compression, Expansion, Code Conversion, And Decoders (AREA)

Abstract

本发明涉及一种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,包括:待传输信息生成模块、自适应编码模块、解码模块和控制模块;待传输信息生成模块,用于生成待传输信息;自适应编码模块,接收信息和期望输出轨迹,并对二者进行编码;解码模块,对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,并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,接收解码模块的解码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,并将新的输入信号输入待传输信息生成模块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

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
技术领域
本发明涉及一种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,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。
为了解决高传输负载的不良影响,最直接的解决方案为增加硬件投入,使用更高精度与可靠性的硬件来解决网络系统高负载的问题。但是这样不仅增加了运营成本,硬件持续高负载运行,硬件的寿命极大地缩短,而且硬件精度、可靠性的提升也有一定限度。所以目前本领域中多采用从数据传输本身着手,减少数据传输量的方法解决上述问题。
减少数据传输量主要有采样和量化两种手段。采样是指把时间域或空间域的连续量转化成离散量的过程,即将时间上、幅值上都连续的模拟信号,在采样脉冲的作用下,转换成时间上离散(时间上有固定间隔)、但幅值上仍连续的离散模拟信号。量化是指将信号的连续取值(或者大量可能的离散取值)近似为有限多个(或较少的)离散值的过程。采样和量化能有效降低数据传输量,极大提高系统运行效率,也利于系统的长时间稳定运行,利于维护。
迭代学习控制是一种针对系统运行重复性特点,充分利用历史数据进行学习调节,从而随着系统重复运行次数的增加,控制效果随之不断提高的方法,将其与采样和量化结合能够有效降低量化产生的误差,从而实现精确跟踪期望轨迹的目的。
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 BDA0002904931980000011
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。
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误差自适应编解码迭代学习控制信息传输系统和方法,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。
为实现上述目的,本发明采取以下技术方案:一种基于误差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、自适应编码模块、解码模块和控制模块;待传输信息生成模块,用于生成待传输信息;自适应编码模块,接收信息和期望输出轨迹,并对二者进行编码;解码模块,对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,并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,接收解码模块的解码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,并将新的输入信号输入待传输信息生成模块生成新的待传输信息。
进一步,自适应编码模块和解码模块的量化器设置为:
Figure BDA0002904931980000021
其中,i=1,2,…,v-1,v为最大量化层级,m为任意值,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,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批次,将采集信号yk(t+1)和期望输出轨迹yd(t+1)输入自适应编码模块,并根据下式进行编码:
sk(t)=Q[gk(t)(yd(t+1)-yk(t+1))]
其中,gk(t)为第k批次自适应编码的自适应调节参数,Sk(t)为自适应编码的量化器输出数据,Q是简单均匀量化器。
进一步,对解码模块按照下式解码:
Figure BDA0002904931980000031
其中,
Figure BDA0002904931980000032
是第k批次跟踪误差估计值,
Figure BDA0002904931980000033
是第k批次自适应编码的自适应调节参数的倒数。
进一步,对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 BDA0002904931980000034
其中,gk+1(t)为第k+1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是最大量化层级。
进一步,控制模块输出的新的输入信号为P型、PD型、PID型或高阶形式。
进一步,控制模块输出的P型新的输入信号uk+1(t)为:
Figure BDA0002904931980000035
其中,uk(t)为第k批次的输入信号,L为增益矩阵,
Figure BDA0002904931980000036
是第k批次跟踪误差估计值。
本发明还公开了一种基于误差自适应编解码迭代学习控制信息传输方法,用于如上述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、编码模块、解码模块和控制模块进行初始化,生成初始待传输信息;S2信息和期望输出轨迹通过解码模块进行编码,根据其输出的量化输出值对其内部参数进行调节;S3解码模块对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控制模块接收解码模块的解码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,并将新的输入信号输入待传输信息生成模块生成新的待传输信息。
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。
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误差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,提出了一种基于误差自适应编解码迭代学习控制信息传输系统和方法,其利用编解码器中的自适应参数对误差信号进行伸缩变换,避免误差始终位于量化死区。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误差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、自适应编码模块、解码模块和控制模块。
待传输信息生成模块,用于生成待传输信息;
自适应编码模块,接收信息和期望输出轨迹,并对二者进行编码;
解码模块,对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,并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,接收解码模块的解码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,并将新的输入信号输入待传输信息生成模块生成新的待传输信息。
自适应编码模块和解码模块的量化器设置为:
Figure BDA0002904931980000041
其中,i=1,2,…,v-1,v为最大量化层级,m为任意值,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。
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批次,将采集信号yk(t+1)和期望输出轨迹yd(t+1)输入自适应编码模块,并根据下式进行编码:
sk(t)=Q[gk(t)(yd(t+1)-yk(t+1))]
其中,gk(t)为第k批次自适应编码的自适应调节参数,Sk(t)为自适应编码的量化器输出数据,Q是简单均匀量化器。
对解码模块按照下式解码:
Figure BDA0002904931980000051
其中,
Figure BDA0002904931980000052
是第k批次跟踪误差估计值,
Figure BDA0002904931980000053
是第k批次自适应编码的自适应调节参数的倒数。
对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 BDA0002904931980000054
其中,gk+1(t)为第k+1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是最大量化层级。
控制模块输出的新的输入信号为P型、PD型、PID型或高阶形式。
控制模块输出的P型新的输入信号uk+1(t)为:
Figure BDA0002904931980000055
其中,uk(t)为第k批次的输入信号,L为增益矩阵,
Figure BDA0002904931980000056
是第k批次跟踪误差估计值。
实施例二
基于相同的发明构思,本实施例公开了一种基于误差自适应编解码迭代学习控制信息传输方法,用于如上述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、自适应编码模块、解码模块和控制模块进行初始化,生成初始待传输信息。
待传输信息生成模块、自适应编码模块、解码模块和控制模块参数结构初始化方法如下:
编码模块内部状态设置为
Figure BDA0002904931980000057
解码模块内部状态设置为
Figure BDA0002904931980000058
控制器输出端编码器内部状态设置为
Figure BDA0002904931980000059
S2信息和期望输出轨迹通过解码模块进行编码,根据其输出的量化输出值对其内部参数进行调节;
S3解码模块对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控制模块接收解码模块的解码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,并将新的输入信号输入待传输信息生成模块生成新的待传输信息。
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 (6)

1.一种基于误差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、自适应编码模块、解码模块和控制模块;
所述待传输信息生成模块,用于生成待传输信息;
所述自适应编码模块,接收所述信息和期望输出轨迹,并对二者进行编码;
所述解码模块,对所述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,并根据其输出的量化输出值对其内部参数进行调节;
所述控制模块,接收所述解码模块的解码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,并将所述新的输入信号输入所述待传输信息生成模块生成新的待传输信息;
所述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批次,将采集信号yk(t+1)和期望输出轨迹yd(t+1)输入所述自适应编码模块,并根据下式进行编码:
sk(t)=Q[gk(t)(yd(t+1)-yk(t+1))]
其中,gk(t)为第k批次自适应编码的自适应调节参数,Sk(t)为自适应编码的量化器输出数据,Q是简单均匀量化器;
对所述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:
其中,gk+1(t)为第k+1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为最大量化层级。
2.如权利要求1所述的基于误差自适应编解码迭代学习控制信息传输系统,其特征在于,所述自适应编码模块和所述解码模块的量化器设置为:
其中,i=1,2,…,v-1,v为最大量化层级,m为任意值,
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。
3.如权利要求1所述的基于误差自适应编解码迭代学习控制信息传输系统,其特征在于,对所述解码模块按照下式解码:
其中,是第k批次跟踪误差估计值,是第k批次自适应编码的自适应调节参数的倒数。
4.如权利要求2或3所述的基于误差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为P型、PD型、PID型或高阶形式。
5.如权利要求4所述的基于误差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P型新的输入信号uk+1(t)为:
其中,uk(t)为第k批次的输入信号,L为增益矩阵,是第k批次跟踪误差估计值。
6.一种基于误差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1-5任一项所述的基于误差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、编码模块、解码模块和控制模块进行初始化,生成初始待传输信息;
S2所述信息和期望输出轨迹通过所述编码模块进行编码,根据其输出的量化输出值对其内部参数进行调节;
S3所述解码模块对所述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解码模块的解码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,并将所述新的输入信号输入所述待传输信息生成模块生成新的待传输信息。
CN202110068330.4A 2021-01-19 2021-01-19 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 Active CN112904724B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110068330.4A CN112904724B (zh) 2021-01-19 2021-01-19 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

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110068330.4A CN112904724B (zh) 2021-01-19 2021-01-19 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

Publications (2)

Publication Number Publication Date
CN112904724A CN112904724A (zh) 2021-06-04
CN112904724B true CN112904724B (zh) 2023-04-07

Family

ID=76115474

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110068330.4A Active CN112904724B (zh) 2021-01-19 2021-01-19 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

Country Status (1)

Country Link
CN (1) CN112904724B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH07226935A (ja) * 1994-02-14 1995-08-22 Mitsubishi Electric Corp 画像情報圧縮装置
CN101751926A (zh) * 2008-12-10 2010-06-23 华为技术有限公司 信号编码、解码方法及装置、编解码系统
CN104675380A (zh) * 2015-01-28 2015-06-03 扬州大学 石油钻井钻柱在线监测系统及故障诊断方法
CN111901829A (zh) * 2020-07-10 2020-11-06 江苏智能交通及智能驾驶研究院 基于压缩感知和量化编码的无线联邦学习方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9077508B2 (en) * 2012-11-15 2015-07-07 Mitsubishi Electric Research Laboratories, Inc. Adaptively coding and modulating signals transmitted via nonlinear channels

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH07226935A (ja) * 1994-02-14 1995-08-22 Mitsubishi Electric Corp 画像情報圧縮装置
CN101751926A (zh) * 2008-12-10 2010-06-23 华为技术有限公司 信号编码、解码方法及装置、编解码系统
CN104675380A (zh) * 2015-01-28 2015-06-03 扬州大学 石油钻井钻柱在线监测系统及故障诊断方法
CN111901829A (zh) * 2020-07-10 2020-11-06 江苏智能交通及智能驾驶研究院 基于压缩感知和量化编码的无线联邦学习方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Finite-level Quantized Iterative Learning Control by Encoding-Decoding Mechanisms;Chao Zhang et al.;《2018 IEEE 7th Data Driven Control and Learning Systems Conference》;20181231;第289-294页 *
考虑数据量化的改进无模型自适应迭代学习控制算法;朱盼盼等;《控制理论与应用》;20200531;第37卷(第05期);第1178-1184页 *

Also Published As

Publication number Publication date
CN112904724A (zh) 2021-06-04

Similar Documents

Publication Publication Date Title
Silva et al. A characterization of the minimal average data rate that guarantees a given closed-loop performance level
CN102341849B (zh) 锥形矢量音频编码
KR100839308B1 (ko) 비디오 또는 이미지 정보를 디코딩하는 방법, 및 비디오 디코더
RU2004133964A (ru) Способ и устройство для указания параметров квантователя в системе видеокодирования
Okajima et al. Dynamic quantizer design under communication rate constraints
JP2016515786A5 (zh)
RU2012120850A (ru) Аудиокодер и декодер
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
CN103299548B (zh) 执行增强的∑-δ调制
CN1867967B (zh) 音频编码中的率失真控制方案
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
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
CN112631434B (zh) 一种基于深度学习的振动触觉编解码方法
CN112862106B (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
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
WO2016025281A1 (en) Method for coding pulse vectors using statistical properties
CN113644857B (zh) 一种永磁直线电机有限级量化迭代学习控制方法
KR101058524B1 (ko) 비트량 제어장치 및 제어방법
Mahmoud et al. Learning algorithm effect on multilayer feed forward artificial neural network performance in image coding
Qiu et al. Quantized iterative learning control for impulsive differential inclusion systems with data dropouts
WO2022061936A1 (zh) 量化参数的训练方法、信号量化方法及相关装置
Cuvelier et al. Minimum bitrate neuromorphic encoding for continuous-time gauss-markov processes
Quevedo et al. Design issues arising in a networked control system architecture
US20230289588A1 (en) Deep Neural Network Processing Device with Decompressing Module, Decompressing Method and Compressing Method

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