摘  要： 為了在復(fù)雜的網(wǎng)絡(luò)環(huán)境下能更合理地分配網(wǎng)絡(luò)資源,，提出了利用BP神經(jīng)網(wǎng)絡(luò),，通過對網(wǎng)絡(luò)調(diào)度器產(chǎn)生的歷史和當(dāng)前數(shù)據(jù)進(jìn)行訓(xùn)練，預(yù)測調(diào)度器下周期可能產(chǎn)生的數(shù)據(jù),，進(jìn)而對下一調(diào)度周期的死區(qū)大小進(jìn)行調(diào)整,。實(shí)驗(yàn)仿真表明，所設(shè)計(jì)的反饋調(diào)度器能進(jìn)一步改善網(wǎng)絡(luò)控制系統(tǒng)的性能,，進(jìn)一步提高應(yīng)對負(fù)載變化的能力,。
關(guān)鍵詞： 網(wǎng)絡(luò)控制系統(tǒng)；調(diào)度；BP神經(jīng)網(wǎng)絡(luò)

　網(wǎng)絡(luò)控制系統(tǒng)中的各個(gè)控制單元通過網(wǎng)絡(luò)交換信息,，以分時(shí)復(fù)用的方式共享網(wǎng)絡(luò)資源[1],。在網(wǎng)絡(luò)控制系統(tǒng)的實(shí)際應(yīng)用中，網(wǎng)絡(luò)帶寬資源往往會(huì)受到限制[2],，工作負(fù)載也會(huì)發(fā)生變化[3],，因此，系統(tǒng)的控制質(zhì)量QoC（Quality-of-Control）也就會(huì)受到共享網(wǎng)絡(luò)引入的不確定時(shí)延的影響,，甚至可能導(dǎo)致系統(tǒng)不穩(wěn)定[4],。
在網(wǎng)絡(luò)控制系統(tǒng)中，總線網(wǎng)絡(luò)是一個(gè)主要的共享資源,，所有節(jié)點(diǎn)都要通過網(wǎng)絡(luò)完成信息的交互,。節(jié)點(diǎn)信息傳輸量的變化會(huì)影響網(wǎng)絡(luò)負(fù)載的變化，而且總線的帶寬還受到限制,，頻繁的負(fù)載變化會(huì)嚴(yán)重影響控制系統(tǒng)的性能,。動(dòng)態(tài)死區(qū)反饋調(diào)度器DDFS（Dynamic Deadband Feedback Scheduler）[5]是一種動(dòng)態(tài)的資源調(diào)度方法，集合了死區(qū)反饋控制和優(yōu)先級(jí)分配兩個(gè)調(diào)度算法,，可以在線動(dòng)態(tài)調(diào)節(jié)死區(qū)和改變節(jié)點(diǎn)優(yōu)先級(jí),，實(shí)現(xiàn)了控制與調(diào)度的協(xié)同設(shè)計(jì)，提高了網(wǎng)絡(luò)控制系統(tǒng)總體的QoC,。死區(qū)調(diào)度器依據(jù)各子系統(tǒng)信號(hào)傳送任務(wù)的實(shí)際錯(cuò)過率改變位于子系統(tǒng)傳感器輸出端的死區(qū)大小,，達(dá)到控制網(wǎng)絡(luò)流量和減少任務(wù)錯(cuò)過率的目的。任務(wù)錯(cuò)過率反映了網(wǎng)絡(luò)可用資源的緊張程度,。
　如果死區(qū)調(diào)度器能根據(jù)網(wǎng)絡(luò)運(yùn)行情況提前預(yù)測錯(cuò)過率,，而不必等時(shí)限錯(cuò)過以后再調(diào)整死區(qū)的大小，就可以更好地調(diào)度網(wǎng)絡(luò)資源,。本文利用BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練包傳輸?shù)臅r(shí)限錯(cuò)過率（Deadline Miss Ratio）的歷史數(shù)據(jù),。在網(wǎng)絡(luò)控制系統(tǒng)中，包傳輸?shù)臅r(shí)限錯(cuò)過率能反映網(wǎng)絡(luò)擁塞程度,。BP神經(jīng)網(wǎng)絡(luò)對下一周期的時(shí)限錯(cuò)過率作出預(yù)測,，死區(qū)反饋調(diào)度器根據(jù)BP網(wǎng)絡(luò)的預(yù)測值對節(jié)點(diǎn)的死區(qū)大小進(jìn)行動(dòng)態(tài)調(diào)整，實(shí)現(xiàn)更好地調(diào)度網(wǎng)絡(luò)資源,。
1 BP神經(jīng)網(wǎng)絡(luò)
　BP神經(jīng)網(wǎng)絡(luò)是一種多層感知機(jī)網(wǎng)絡(luò)[6],，神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)采用誤差反向傳播算法。BP神經(jīng)網(wǎng)絡(luò)由輸入層,、隱含層和輸出層組成,，各層之間存在連接權(quán)值，其大小反映了各神經(jīng)網(wǎng)絡(luò)元之間的連接強(qiáng)度[7],。神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示,。

　BP神經(jīng)網(wǎng)絡(luò)是基于BP算法的多層感知器,，能處理非線性信息，可以用在系統(tǒng)模型辨識(shí),、預(yù)測或控制中,，是多層并行網(wǎng)絡(luò)，其具有以下一些重要能力[8]：
?。?）非線性映射能力,。BP神經(jīng)網(wǎng)絡(luò)可以學(xué)習(xí)和存儲(chǔ)大量輸入和輸出模式映射關(guān)系，并且不需要事先了解描述這種映射關(guān)系的數(shù)學(xué)方程,。只需要提供足夠多的樣本模式給BP神經(jīng)網(wǎng)絡(luò)進(jìn)行學(xué)習(xí)訓(xùn)練,，它便能完成由n維輸入空間到m維輸出空間的非線性映射。在工程上及許多技術(shù)領(lǐng)域中經(jīng)常遇到這樣的問題：對某系統(tǒng)已經(jīng)積累了大量相關(guān)的輸入-輸出數(shù)據(jù),，但仍未掌握其內(nèi)部蘊(yùn)含的規(guī)律,，因此無法用數(shù)學(xué)方法來描述該規(guī)律。這一類問題的共同特點(diǎn)是：難以得到解析解,；缺乏專家經(jīng)驗(yàn),；能夠表示和轉(zhuǎn)換為模式識(shí)別或非線性映射問題。在處理這類問題上,，BP神經(jīng)網(wǎng)絡(luò)具有無可比擬的優(yōu)勢,。
　（2）泛化能力,。BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程把樣本中的非線性映射關(guān)系存儲(chǔ)在權(quán)值矩陣中,，當(dāng)向網(wǎng)絡(luò)輸入訓(xùn)練時(shí)未曾見過的非訓(xùn)練樣本數(shù)據(jù)時(shí)，經(jīng)過訓(xùn)練的網(wǎng)絡(luò)仍能給出正確的輸入-輸出關(guān)系的能力,，這種能力稱為泛化能力,。
　（3）容錯(cuò)能力,。BP神經(jīng)網(wǎng)絡(luò)允許輸入樣本中有個(gè)別誤差甚至是較大的誤差,，因?yàn)閷?quán)矩陣的調(diào)整過程是從大量的樣本中提取統(tǒng)計(jì)特性的過程，反映正確規(guī)律的知識(shí)來自全體樣本,，個(gè)別樣本的誤差不能左右對權(quán)矩陣的調(diào)整,。
2 基于BP網(wǎng)絡(luò)預(yù)測的動(dòng)態(tài)死區(qū)反饋調(diào)度器
　在網(wǎng)絡(luò)控制系統(tǒng)調(diào)度中,，用死區(qū)反饋調(diào)度的方法降低網(wǎng)絡(luò)流量,，減小網(wǎng)絡(luò)的負(fù)載[9]。根據(jù)動(dòng)態(tài)死區(qū)控制和優(yōu)先級(jí)分配相結(jié)合的反饋調(diào)度策略設(shè)計(jì)出的動(dòng)態(tài)死區(qū)反饋調(diào)度器,，在網(wǎng)絡(luò)負(fù)載較輕時(shí)充分利用資源,，在網(wǎng)絡(luò)負(fù)載重時(shí)實(shí)現(xiàn)控制質(zhì)量的逐漸降低以應(yīng)對負(fù)載變化的環(huán)境和網(wǎng)絡(luò)帶寬的限制[5]。網(wǎng)絡(luò)控制系統(tǒng)中,，包傳輸?shù)臅r(shí)限錯(cuò)過率可以反映網(wǎng)絡(luò)擁塞程度,。當(dāng)有包的傳輸錯(cuò)過時(shí)限時(shí),，網(wǎng)絡(luò)處于較高的利用率，一些任務(wù)無法在規(guī)定時(shí)間完成,。任務(wù)時(shí)限錯(cuò)過率是反饋調(diào)度的理想被控量,，基于時(shí)限錯(cuò)過率的反饋調(diào)度在不知道網(wǎng)絡(luò)利用率上限的時(shí)候，能將網(wǎng)絡(luò)的實(shí)際利用率控制在盡可能高的程度[10],。動(dòng)態(tài)死區(qū)反饋調(diào)度器根據(jù)當(dāng)前反饋的任務(wù)時(shí)限錯(cuò)過率對下一調(diào)度周期的死區(qū)大小進(jìn)行調(diào)整,，以控制網(wǎng)絡(luò)流量。如果利用歷史和當(dāng)前的時(shí)限錯(cuò)過率預(yù)測下一周期的任務(wù)錯(cuò)過率并做出死區(qū)調(diào)整,，就能更好地調(diào)度網(wǎng)絡(luò)資源,，進(jìn)而改善網(wǎng)絡(luò)控制系統(tǒng)的性能。利用BP網(wǎng)絡(luò)的預(yù)測功能,，提出基于BP網(wǎng)絡(luò)預(yù)測的動(dòng)態(tài)死區(qū)反饋調(diào)度器（BP-DDFS）,。圖2為BP-DDFS結(jié)構(gòu)圖，BP-DDFS內(nèi)部的兩個(gè)子系統(tǒng)通過共享網(wǎng)絡(luò)構(gòu)成NCS,，被控對象為伺服電機(jī),。BP-DDFS的內(nèi)部由死區(qū)調(diào)度器和節(jié)點(diǎn)優(yōu)先級(jí)調(diào)度器組成，死區(qū)調(diào)度器依據(jù)各子系統(tǒng)信號(hào)傳送任務(wù)的實(shí)際錯(cuò)過率,，改變子系統(tǒng)傳感器輸出端的死區(qū)大小,，控制網(wǎng)絡(luò)流量；節(jié)點(diǎn)優(yōu)先級(jí)調(diào)度器依據(jù)各系統(tǒng)的QoC實(shí)測值,，給QoC較低的子系統(tǒng)節(jié)點(diǎn)分配較高的優(yōu)先級(jí),，讓更需要傳輸測量信號(hào)的節(jié)點(diǎn)優(yōu)先，改善網(wǎng)絡(luò)控制系統(tǒng)的性能,。BP神經(jīng)網(wǎng)絡(luò)預(yù)測器（BP-NN Predictor）對下一周期的時(shí)限錯(cuò)過率做出預(yù)測,，從而讓死區(qū)反饋調(diào)度器根據(jù)BP網(wǎng)絡(luò)的預(yù)測值對節(jié)點(diǎn)的死區(qū)大小進(jìn)行動(dòng)態(tài)調(diào)整，實(shí)現(xiàn)更好地調(diào)度網(wǎng)絡(luò)資源,，能進(jìn)一步提高網(wǎng)絡(luò)應(yīng)對負(fù)載變化的能力,。

　盡管BP神經(jīng)網(wǎng)絡(luò)的研究與應(yīng)用已經(jīng)取得了巨大成功，但是在網(wǎng)絡(luò)的開發(fā)設(shè)計(jì)方面至今還沒有一套完善的理論作指導(dǎo),。實(shí)際應(yīng)用中的主要設(shè)計(jì)方法是在充分了解待解決問題的基礎(chǔ)上將經(jīng)驗(yàn)和試探相結(jié)合,，通過多次試驗(yàn)，最終選出一個(gè)較好的方案,。本文主要研究BP神經(jīng)網(wǎng)絡(luò)的引入對NCS性能的影響,，重點(diǎn)并不在于其設(shè)計(jì)。所設(shè)計(jì)的BP-DDFS是利用TrueTime工具包在MATLAB仿真平臺(tái)上實(shí)現(xiàn)的,，所以可以運(yùn)用MATLAB中的神經(jīng)網(wǎng)絡(luò)工具箱,，建立高效、準(zhǔn)確,、快速的BP神經(jīng)網(wǎng)絡(luò)模型,。
　選用1個(gè)3層BP神經(jīng)網(wǎng)絡(luò)來設(shè)計(jì)預(yù)測器,。BP神經(jīng)網(wǎng)絡(luò)預(yù)測器的輸入量是時(shí)限錯(cuò)過率，輸出量是預(yù)測的下一調(diào)度周期的時(shí)限錯(cuò)過率,。定義BP網(wǎng)絡(luò)預(yù)測器的輸入節(jié)點(diǎn)為5個(gè),，隱節(jié)點(diǎn)為10個(gè)，隱層的傳遞函數(shù)為logsig,，輸出節(jié)點(diǎn)為1個(gè),。首先運(yùn)行基于DDFS的系統(tǒng)，每隔1個(gè)調(diào)度器周期采樣一次任務(wù)時(shí)限錯(cuò)過率,，將所得到的實(shí)驗(yàn)數(shù)據(jù)作為BP神經(jīng)網(wǎng)絡(luò)預(yù)測器的學(xué)習(xí)樣本,。接著對BP網(wǎng)絡(luò)進(jìn)行訓(xùn)練和測試，得到預(yù)測時(shí)限錯(cuò)過率和實(shí)際時(shí)限錯(cuò)過率,，如圖3所示,。

　從圖3可以看出，BP神經(jīng)網(wǎng)絡(luò)預(yù)測的時(shí)限錯(cuò)過率與實(shí)際的時(shí)限錯(cuò)過率相差不大,，因此,，神經(jīng)網(wǎng)絡(luò)被訓(xùn)練得適度，有較好的泛化能力,。
3 仿真實(shí)驗(yàn)
　在DDFS的基礎(chǔ)上添加BP網(wǎng)絡(luò)預(yù)測器,，NCS中的兩個(gè)相同的子系統(tǒng)通過CAN型總線連接。子系統(tǒng)的采樣頻率都定為10 ms,，控制器采用PID算法,。網(wǎng)絡(luò)上存在一個(gè)干擾節(jié)點(diǎn)，其作用是產(chǎn)生高優(yōu)先級(jí)的包傳送任務(wù),，占用一定比例的網(wǎng)絡(luò)使用率,。干擾流量以隨機(jī)的方式產(chǎn)生，但可以保持所設(shè)定的網(wǎng)絡(luò)占用率,，可以設(shè)定為占用70%的帶寬,。時(shí)限錯(cuò)過率Mth為3%，仿真運(yùn)行時(shí)間為6 s,，BP-DDFS調(diào)度周期為50 ms,。
　實(shí)驗(yàn)將BP-DDFS方法與動(dòng)態(tài)死區(qū)反饋調(diào)度方法對系統(tǒng)性能的影響進(jìn)行了對比。圖4是子系統(tǒng)2分別在BP-DDFS和DDFS調(diào)度下QoC的表現(xiàn),。從圖4可以看出,，DDFS加入BP神經(jīng)網(wǎng)絡(luò)預(yù)測器后，子系統(tǒng)2的控制品質(zhì)得到了進(jìn)一步提高,。

　在增大系統(tǒng)的干擾流量的情況下,，網(wǎng)絡(luò)資源急劇減少,。此時(shí),，子系統(tǒng)2的控制表現(xiàn)如圖6所示,。在DDFS的調(diào)度下，子系統(tǒng)2超調(diào)量變大,，在一些情況下甚至不穩(wěn)定,；而在BP-DDFS的調(diào)度下，子系統(tǒng)2仍是穩(wěn)定的,。加入BP網(wǎng)絡(luò)預(yù)測器后,，系統(tǒng)的控制性能得到了明顯改善。

　與DDFS相比,，BP-DDFS能進(jìn)一步改善網(wǎng)絡(luò)控制系統(tǒng)的性能,。這是由于DDFS中的死區(qū)調(diào)度器是根據(jù)當(dāng)前的時(shí)限錯(cuò)過率做出死區(qū)調(diào)整，而BP-DDFS是根據(jù)歷史和當(dāng)前的時(shí)限錯(cuò)過率對下一調(diào)度周期的錯(cuò)過率先進(jìn)行預(yù)測,，其中的死區(qū)調(diào)度器根據(jù)預(yù)測值提前調(diào)整死區(qū)大小,，而不用等時(shí)限錯(cuò)過發(fā)生以后再調(diào)整。圖7是兩種調(diào)度算法的時(shí)限錯(cuò)過率比較,，可以看出,，BP-DDFS能更好地調(diào)節(jié)時(shí)限錯(cuò)過率，從而更好地調(diào)度了網(wǎng)絡(luò)資源,。

　本文提出了基于BP神經(jīng)網(wǎng)絡(luò)預(yù)測的動(dòng)態(tài)死區(qū)反饋調(diào)度器（BP-DDFS）,，對于神經(jīng)網(wǎng)絡(luò)而言，其展示了一種新的應(yīng)用,，對于調(diào)度而言,，其提出了一種新的解決方案。BP-DDFS利用BP神經(jīng)網(wǎng)絡(luò)的預(yù)測功能,，對任務(wù)時(shí)限錯(cuò)過率進(jìn)行預(yù)測,，再根據(jù)預(yù)測值對死區(qū)提前調(diào)整，從而更好地調(diào)度了網(wǎng)絡(luò)資源,。仿真實(shí)驗(yàn)表明,，與DDFS相比，BP-DDFS能進(jìn)一步改善網(wǎng)絡(luò)控制系統(tǒng)的性能,，進(jìn)一步提高應(yīng)對負(fù)載變化的能力,。
參考文獻(xiàn)
[1] 王艷，蔡驛.網(wǎng)絡(luò)控制系統(tǒng)反饋調(diào)度器的設(shè)計(jì)[J].電子學(xué)報(bào),，2007,，35（2）：379-384.
[2] GAID M E M B， CALA A,， HAMAM Y,， et al.Optimal integrated control and scheduling of systems with communication constraints[C]. 44th IEEE Conference on Decision and Control， 2005 European Control Conference,， CDC-ECC,， 2005：854-859.
[3] BUTTAZZO G C,， LIPARI G， ABENI L. Elastic scheduling for flexible workload management[J]. IEEE Transactions on Computers,，2002,，51（3）：289-302.
[4] ZHANG W， BRANICKY M S,， PHILLIPS S M. Stability of networked control systems[J]. IEEE Control Systems Magazine,，2001，21（1）：83-89.
[5] 湯賢銘,，錢凱.網(wǎng)絡(luò)控制系統(tǒng)動(dòng)態(tài)死區(qū)反饋調(diào)度[J].華東理工大學(xué)學(xué)報(bào)（自然科學(xué)版）,，2007，33（5）：716-72.
[6] TSENG C H,， WANG H M,， YANG J F. Enhanced intra-4×4 mode decision for H.264/AVC coders[J]. IEEE Transactions on Circuits and Systems for Video Technology， 2006,，16（8）：1027-1032.
[7] 侯媛彬,，杜京義.神經(jīng)網(wǎng)絡(luò)[M].西安：西安電子科技大學(xué)出版社，2007.
[8] 韓力群,，康芊.人工神經(jīng)網(wǎng)絡(luò)理論,、設(shè)計(jì)與應(yīng)用[M].北京：化學(xué)工業(yè)出版社，2007.
[9] OTANEZ P G,， MOYNE J R,， TILBURY D M. Using deadbands to reduce communication in networked control systems[C]. Proceedings of the 2002 American Control Conference，2002：3015-3020.
[10] LU C Y,， STANKOVIC A J,， SON S H， et al. Feedback control real-time scheduling： framework,， modeling and algorithms [J]. Real-Time Systems,，2002，23：85-126.