摘 要： 為了在復雜的網絡環境下能更合理地分配網絡資源，提出了利用BP神經網絡，通過對網絡調度器產生的歷史和當前數據進行訓練，預測調度器下周期可能產生的數據，進而對下一調度周期的死區大小進行調整。實驗仿真表明，所設計的反饋調度器能進一步改善網絡控制系統的性能，進一步提高應對負載變化的能力。
關鍵詞： 網絡控制系統；調度；BP神經網絡
網絡控制系統中的各個控制單元通過網絡交換信息，以分時復用的方式共享網絡資源[1]。在網絡控制系統的實際應用中，網絡帶寬資源往往會受到限制[2]，工作負載也會發生變化[3]，因此，系統的控制質量QoC（Quality-of-Control）也就會受到共享網絡引入的不確定時延的影響，甚至可能導致系統不穩定[4]。
在網絡控制系統中，總線網絡是一個主要的共享資源，所有節點都要通過網絡完成信息的交互。節點信息傳輸量的變化會影響網絡負載的變化，而且總線的帶寬還受到限制，頻繁的負載變化會嚴重影響控制系統的性能。動態死區反饋調度器DDFS（Dynamic Deadband Feedback Scheduler）[5]是一種動態的資源調度方法，集合了死區反饋控制和優先級分配兩個調度算法，可以在線動態調節死區和改變節點優先級，實現了控制與調度的協同設計，提高了網絡控制系統總體的QoC。死區調度器依據各子系統信號傳送任務的實際錯過率改變位于子系統傳感器輸出端的死區大小，達到控制網絡流量和減少任務錯過率的目的。任務錯過率反映了網絡可用資源的緊張程度。
如果死區調度器能根據網絡運行情況提前預測錯過率，而不必等時限錯過以后再調整死區的大小，就可以更好地調度網絡資源。本文利用BP神經網絡訓練包傳輸的時限錯過率（Deadline Miss Ratio）的歷史數據。在網絡控制系統中，包傳輸的時限錯過率能反映網絡擁塞程度。BP神經網絡對下一周期的時限錯過率作出預測，死區反饋調度器根據BP網絡的預測值對節點的死區大小進行動態調整，實現更好地調度網絡資源。
1 BP神經網絡
BP神經網絡是一種多層感知機網絡[6]，神經網絡的學習采用誤差反向傳播算法。BP神經網絡由輸入層、隱含層和輸出層組成，各層之間存在連接權值，其大小反映了各神經網絡元之間的連接強度[7]。神經網絡結構如圖1所示。
BP神經網絡是基于BP算法的多層感知器，能處理非線性信息，可以用在系統模型辨識、預測或控制中，是多層并行網絡，其具有以下一些重要能力[8]：
?。?）非線性映射能力。BP神經網絡可以學習和存儲大量輸入和輸出模式映射關系，并且不需要事先了解描述這種映射關系的數學方程。只需要提供足夠多的樣本模式給BP神經網絡進行學習訓練，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領域中經常遇到這樣的問題：對某系統已經積累了大量相關的輸入-輸出數據，但仍未掌握其內部蘊含的規律，因此無法用數學方法來描述該規律。這一類問題的共同特點是：難以得到解析解；缺乏專家經驗；能夠表示和轉換為模式識別或非線性映射問題。在處理這類問題上，BP神經網絡具有無可比擬的優勢。
?。?）泛化能力。BP神經網絡訓練過程把樣本中的非線性映射關系存儲在權值矩陣中，當向網絡輸入訓練時未曾見過的非訓練樣本數據時，經過訓練的網絡仍能給出正確的輸入-輸出關系的能力，這種能力稱為泛化能力。
?。?）容錯能力。BP神經網絡允許輸入樣本中有個別誤差甚至是較大的誤差，因為對權矩陣的調整過程是從大量的樣本中提取統計特性的過程，反映正確規律的知識來自全體樣本，個別樣本的誤差不能左右對權矩陣的調整。
2 基于BP網絡預測的動態死區反饋調度器
在網絡控制系統調度中，用死區反饋調度的方法降低網絡流量，減小網絡的負載[9]。根據動態死區控制和優先級分配相結合的反饋調度策略設計出的動態死區反饋調度器，在網絡負載較輕時充分利用資源，在網絡負載重時實現控制質量的逐漸降低以應對負載變化的環境和網絡帶寬的限制[5]。網絡控制系統中，包傳輸的時限錯過率可以反映網絡擁塞程度。當有包的傳輸錯過時限時，網絡處于較高的利用率，一些任務無法在規定時間完成。任務時限錯過率是反饋調度的理想被控量，基于時限錯過率的反饋調度在不知道網絡利用率上限的時候，能將網絡的實際利用率控制在盡可能高的程度[10]。動態死區反饋調度器根據當前反饋的任務時限錯過率對下一調度周期的死區大小進行調整，以控制網絡流量。如果利用歷史和當前的時限錯過率預測下一周期的任務錯過率并做出死區調整，就能更好地調度網絡資源，進而改善網絡控制系統的性能。利用BP網絡的預測功能，提出基于BP網絡預測的動態死區反饋調度器（BP-DDFS）。圖2為BP-DDFS結構圖，BP-DDFS內部的兩個子系統通過共享網絡構成NCS，被控對象為伺服電機。BP-DDFS的內部由死區調度器和節點優先級調度器組成，死區調度器依據各子系統信號傳送任務的實際錯過率，改變子系統傳感器輸出端的死區大小，控制網絡流量；節點優先級調度器依據各系統的QoC實測值，給QoC較低的子系統節點分配較高的優先級，讓更需要傳輸測量信號的節點優先，改善網絡控制系統的性能。BP神經網絡預測器（BP-NN Predictor）對下一周期的時限錯過率做出預測，從而讓死區反饋調度器根據BP網絡的預測值對節點的死區大小進行動態調整，實現更好地調度網絡資源，能進一步提高網絡應對負載變化的能力。
盡管BP神經網絡的研究與應用已經取得了巨大成功，但是在網絡的開發設計方面至今還沒有一套完善的理論作指導。實際應用中的主要設計方法是在充分了解待解決問題的基礎上將經驗和試探相結合，通過多次試驗，最終選出一個較好的方案。本文主要研究BP神經網絡的引入對NCS性能的影響，重點并不在于其設計。所設計的BP-DDFS是利用TrueTime工具包在MATLAB仿真平臺上實現的，所以可以運用MATLAB中的神經網絡工具箱，建立高效、準確、快速的BP神經網絡模型。
選用1個3層BP神經網絡來設計預測器。BP神經網絡預測器的輸入量是時限錯過率，輸出量是預測的下一調度周期的時限錯過率。定義BP網絡預測器的輸入節點為5個，隱節點為10個，隱層的傳遞函數為logsig，輸出節點為1個。首先運行基于DDFS的系統，每隔1個調度器周期采樣一次任務時限錯過率，將所得到的實驗數據作為BP神經網絡預測器的學習樣本。接著對BP網絡進行訓練和測試，得到預測時限錯過率和實際時限錯過率，如圖3所示。
從圖3可以看出，BP神經網絡預測的時限錯過率與實際的時限錯過率相差不大，因此，神經網絡被訓練得適度，有較好的泛化能力。
3 仿真實驗
在DDFS的基礎上添加BP網絡預測器，NCS中的兩個相同的子系統通過CAN型總線連接。子系統的采樣頻率都定為10 ms，控制器采用PID算法。網絡上存在一個干擾節點，其作用是產生高優先級的包傳送任務，占用一定比例的網絡使用率。干擾流量以隨機的方式產生，但可以保持所設定的網絡占用率，可以設定為占用70%的帶寬。時限錯過率Mth為3%，仿真運行時間為6 s，BP-DDFS調度周期為50 ms。
實驗將BP-DDFS方法與動態死區反饋調度方法對系統性能的影響進行了對比。圖4是子系統2分別在BP-DDFS和DDFS調度下QoC的表現。從圖4可以看出，DDFS加入BP神經網絡預測器后，子系統2的控制品質得到了進一步提高。
在增大系統的干擾流量的情況下，網絡資源急劇減少。此時，子系統2的控制表現如圖6所示。在DDFS的調度下，子系統2超調量變大，在一些情況下甚至不穩定；而在BP-DDFS的調度下，子系統2仍是穩定的。加入BP網絡預測器后，系統的控制性能得到了明顯改善。
與DDFS相比，BP-DDFS能進一步改善網絡控制系統的性能。這是由于DDFS中的死區調度器是根據當前的時限錯過率做出死區調整，而BP-DDFS是根據歷史和當前的時限錯過率對下一調度周期的錯過率先進行預測，其中的死區調度器根據預測值提前調整死區大小，而不用等時限錯過發生以后再調整。圖7是兩種調度算法的時限錯過率比較，可以看出，BP-DDFS能更好地調節時限錯過率，從而更好地調度了網絡資源。
本文提出了基于BP神經網絡預測的動態死區反饋調度器（BP-DDFS），對于神經網絡而言，其展示了一種新的應用，對于調度而言，其提出了一種新的解決方案。BP-DDFS利用BP神經網絡的預測功能，對任務時限錯過率進行預測，再根據預測值對死區提前調整，從而更好地調度了網絡資源。仿真實驗表明，與DDFS相比，BP-DDFS能進一步改善網絡控制系統的性能，進一步提高應對負載變化的能力。
參考文獻
[1] 王艷，蔡驛.網絡控制系統反饋調度器的設計[J].電子學報，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.網絡控制系統動態死區反饋調度[J].華東理工大學學報（自然科學版），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.神經網絡[M].西安：西安電子科技大學出版社，2007.
[8] 韓力群，康芊.人工神經網絡理論、設計與應用[M].北京：化學工業出版社，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.