基于機器學習的網(wǎng)絡穩(wěn)定控制器設計與實現(xiàn)

張鐵頭+譚營軍+李翠霞

摘 要： 由于網(wǎng)絡數(shù)據(jù)多元化以及網(wǎng)絡非法入侵的干擾，當前設計出的網(wǎng)絡穩(wěn)定控制器往往響應時間過長，提出基于機器學習的網(wǎng)絡穩(wěn)定控制器設計方法。設計的控制器主要由開發(fā)板、控制電路和機器學習模塊組成。機器學習模塊利用特定的學習方式對網(wǎng)絡被控對象進行監(jiān)督，監(jiān)督結果將被傳送到控制電路進行多種學習行為的虛擬控制。開發(fā)板對虛擬控制結果進行接收，篩選出對網(wǎng)絡被控對象的最優(yōu)控制策略。機器學習模塊對最優(yōu)控制策略進行評價后，向網(wǎng)絡被控對象實施穩(wěn)定控制。實驗結論證明，所設計的控制器可在維持對網(wǎng)絡有效控制的同時，獲取優(yōu)異響應時間，響應能力較強，可較好地對設計目標進行實現(xiàn)。

關鍵詞： 機器學習； 網(wǎng)絡穩(wěn)定控制器； 設計方法； 虛擬控制

中圖分類號： TN711?34； TP273.1 文獻標識碼： A 文章編號： 1004?373X（2017）08?0053?04

Design and implementation of network stable controller based on machine learning

ZHANG Tietou 1， TAN Yingjun1， LI Cuixia2

（1. Department of Information Engineering， Henan Polytechnic， Zhengzhou 450046， China；

2. School of Software and Applied Technology， Zhengzhou University， Zhengzhou 450002， China）

Abstract： Because of interference of network illegal invasion and network data diversification， and the too long response time of the currently?designed network stability controller， a design method of network stable controller based on machine learning is put forward. The controller is mainly composed of development board， control circuit and machine learning module. Machine learning module using the specific learning way supervises the network controlled object. The supervision results are transmitted to the control circuit for virtual control of a variety of learning behaviors. The development board receives the virtual control results， and screens out an optimal control strategy of the network controlled object. The machine learning module carries out stable control to the network controlled object after evaluation for the optimal control strategy. The experimental conclusions show that the controller can obtain the excellent response time while maintaining effective control to the network， has strong response ability， and can achieve the design goal well.

Keywords： machine learning； network stability controller； design method； virtual control

0 引 言

機器學習是一項交織了統(tǒng)計概率學、凹凸檢驗、逼近理論等技術的人工智能項目，現(xiàn)被極其廣泛地應用在分析與控制工作中，是人工智能的核心。網(wǎng)絡是當今社會最為重要的信息傳遞媒介，也是輔助各行各業(yè)進行設計、分析、識別等工作的工具[1?3]。網(wǎng)絡的穩(wěn)定是實現(xiàn)上述工作的基礎保障，將機器學習應用于網(wǎng)絡穩(wěn)定控制器的設計中，通過實踐學習方式在維持穩(wěn)定控制器對網(wǎng)絡有效控制的同時，降低控制器的響應時間，這也是科研組織當前研究的新型科研項目[4?6]。

1 基于機器學習的網(wǎng)絡穩(wěn)定控制器設計

1.1 控制器整體設計

基于機器學習的網(wǎng)絡穩(wěn)定控制器主要由開發(fā)板、控制電路和機器學習模塊組成，還包括各種功能模塊，如傳感器模塊、計算機控制模塊、存儲模塊和傳輸模塊。其中，開發(fā)板、控制電路是控制器的硬件端，機器學習模塊是控制器的實現(xiàn)端。

整個控制器以實現(xiàn)端為核心，融合硬件端進行輔助控制，實現(xiàn)縮減控制器響應時間的設計目標。圖1為控制器整體設計圖。

由圖1可知，機器學習模塊直接與網(wǎng)絡被控對象相接觸，利用特定的學習方式對網(wǎng)絡被控對象進行監(jiān)督，傳感器模塊的作用是感應網(wǎng)絡被控對象的各項參數(shù)，并將有用參數(shù)進行模/數(shù)轉換，以供機器學習模塊使用。

1.2 控制電路設計

基于機器學習的網(wǎng)絡穩(wěn)定控制器的控制電路是一個自適應線性電路，能夠較為有效地避免控制器產生低頻率的震蕩效應，對控制器響應時間縮減的目標有著過渡作用，其電路設計如圖2所示。

由圖2可知，換流器的作用是對機器學習模塊監(jiān)督結果的電壓進行直流與交流的轉換，T1，T2代表換流器的外接變壓器，控制電路的輸出值與感應網(wǎng)絡被控對象的電壓參數(shù)存在一定的線性關系。計算機控制模塊、開發(fā)板和機器學習模塊與控制電路的連接方式均為直接相連，這表示，基于機器學習的網(wǎng)絡穩(wěn)定控制器的控制電路，在本質上其實是一個被賦予了控制能力的串口通信電路。

1.3 開發(fā)板設計

基于機器學習的網(wǎng)絡穩(wěn)定控制器選擇的開發(fā)板是具有四層結構的Mini2440開發(fā)板，其擁有能耗低、實用性強、價格便宜等優(yōu)點，是一款我國國內性價比最高的開發(fā)板。Mini2440開發(fā)板的設計結構采用了高性能的哈佛結構，并內置了三星S3C2440微處理器。其布線方式采用等長布線，有效地保證了控制器的信號接收能力，可在一定程度上縮減控制器的響應時間。Mini2440開發(fā)板的結構圖如圖3所示。

由圖3可知，Mini2440開發(fā)板主要由液晶顯示屏、網(wǎng)口、JTAG接口和總線擴展器組成，其工作電壓分為兩種，分別是1.8 V和3.3 V。微處理器的電平類型是TTL的，考慮到有可能出現(xiàn)RS 232類型的電平，故在需要時應從串口處連接電平支持芯片。

2 基于機器學習的網(wǎng)絡穩(wěn)定控制器軟件設計

2.1 機器學習模塊流程設計

在所設計的基于機器學習的網(wǎng)絡穩(wěn)定控制器中，所需解決的重點設計內容是：通過對網(wǎng)絡數(shù)據(jù)進行的有效解析，實現(xiàn)數(shù)據(jù)特性的深度挖掘，使控制器擁有自主學習能力，用于平衡網(wǎng)絡穩(wěn)定，獲取控制器優(yōu)異的響應時間。在機器學習模塊中，機器學習方式有三種，分別是督促、無督促和半督促，其學習流程如圖4～圖6所示。

由圖4～圖6可知，機器學習的督促方式是針對網(wǎng)絡被控對象數(shù)據(jù)中的特性數(shù)據(jù)進行數(shù)據(jù)集合模型訓練和重構的過程。重構是指對網(wǎng)絡被控對象進行監(jiān)督，其監(jiān)督工作經(jīng)由重構器實現(xiàn)。重構結果是通過對比網(wǎng)絡被控對象標準特性與實際特性得出的模型微調數(shù)據(jù)。通常，數(shù)據(jù)集合模型訓練的次數(shù)越多，所獲得的重構結果就越精確。

2.2 評價學習目標函數(shù)

評價學習是機器學習中非常重要的計算過程，其較為注重機器學習環(huán)境對重構結果的影響性，是對各類機器學習方式結果的優(yōu)化。評價學習可以以具體的行動手段將重構結果調整到最優(yōu)狀態(tài)，縮減基于機器學習的網(wǎng)絡穩(wěn)定控制器的控制誤差，進而縮短其響應時間。

假設機器學習的網(wǎng)絡穩(wěn)定控制器在時間下的控制誤差為；代表誤差因素，；代表單相控制誤差；代表控制誤差的時間序列，則有：

（1）

在評價學習過程中，由于不用考慮網(wǎng)絡被控對象的歷史特性參數(shù)，故只需對網(wǎng)絡被控對象未來的狀態(tài)和行為進行估計。設表示網(wǎng)絡被控對象數(shù)據(jù)中的狀態(tài)特性，是行為特性，是單相控制誤差評價函數(shù)，是狀態(tài)特性調整函數(shù)。若被控網(wǎng)絡對象始終處于穩(wěn)定的網(wǎng)絡狀態(tài)下，則其評價學習目標函數(shù)可表示為：

（2）

若被控網(wǎng)絡對象所處網(wǎng)絡狀態(tài)經(jīng)常發(fā)生變化，應先對被控網(wǎng)絡對象相鄰時間段的重構結果做差，再用差值對評價學習目標函數(shù)進行更新，更新后的評價學習目標函數(shù)用表示，則有：

（3）

式中，是網(wǎng)絡波動狀態(tài)下的學習因子，其值始終大于1。

3 實驗分析

通過實驗對本文所設計的基于機器學習的網(wǎng)絡穩(wěn)定控制器的響應時間進行分析。選取的與本文控制器進行實驗對比的對象有3個，分別是基于神經(jīng)元的網(wǎng)絡穩(wěn)定控制器、基于模糊控制的網(wǎng)絡穩(wěn)定控制器和基于單片機的網(wǎng)絡穩(wěn)定控制器。實驗先將4個控制器的控制水平調節(jié)至同一水準，即給予4個控制器相同的控制時間和控制結果，在改變控制器傳輸功率的情況下進行三組實驗，并對4個控制器的響應時間進行統(tǒng)計。表1是控制器傳輸功率的實驗限定值，圖7～圖9是三個實驗中，4個控制器響應時間對比曲線圖。

表1 控制器傳輸功率實驗限定值

由圖7～圖9可知，控制器傳輸功率的絕對值越低，其傳輸功率波動就越小，響應時間曲線穩(wěn)定的就越快，控制器的響應時間便相應減少。對于基于模糊控制的網(wǎng)絡穩(wěn)定控制器來說，其響應時間曲線在4個控制器中穩(wěn)定的最慢，證明此控制器對網(wǎng)絡的響應能力較弱，無法維持網(wǎng)絡穩(wěn)定。

對于基于神經(jīng)元的網(wǎng)絡穩(wěn)定控制器來說，其響應時間要低于基于模糊控制的網(wǎng)絡穩(wěn)定控制器，但其響應時間曲線的波動也最為明顯，證明其響應能力遠低于基于單片機的網(wǎng)絡穩(wěn)定控制器和本文控制器，無法獲取優(yōu)異的響應時間。基于單片機的網(wǎng)絡穩(wěn)定控制器的響應時間較短，且響應時間曲線波動比較平穩(wěn)，但在實驗3中500 kW的高功率下，其響應能力要遠低于較低功率下的響應能力，證明此控制器的響應時間并不穩(wěn)定。本文控制器在三組實驗下的響應時間曲線均非常平穩(wěn)，且響應時間曲線穩(wěn)定得最快，證明本文控制器能夠在維持對網(wǎng)絡有效控制的同時，獲取優(yōu)異的響應時間，響應能力較強。

4 結 論

本文提出基于機器學習設計網(wǎng)絡穩(wěn)定控制器的設計方法。所設計的控制器主要由開發(fā)板、控制電路和機器學習模塊組成。機器學習模塊利用特定的學習方式對網(wǎng)絡被控對象進行監(jiān)督，監(jiān)督結果將被傳送到控制電路進行多種學習行為的虛擬控制。開發(fā)板對虛擬控制結果進行接收，篩選出對網(wǎng)絡被控對象的最優(yōu)控制策略。機器學習模塊對最優(yōu)控制策略進行評價后，向網(wǎng)絡被控對象實施穩(wěn)定控制。系統(tǒng)給出機器學習模塊的工作流程，對最優(yōu)控制策略的評價由基于機器學習的評價學習目標函數(shù)實現(xiàn)。實驗結論證明，所設計的控制器在維持對網(wǎng)絡有效控制的同時，獲取優(yōu)異的響應時間，響應能力較強，可較好地對設計目標進行實現(xiàn)。

參考文獻

[1] 楊明極，祝慶峰，李碩.基于STM32的嵌入式網(wǎng)絡控制器設計[J].測控技術，2014，33（10）：93?96.

[2] 張鵬，宮占霞.網(wǎng)絡控制系統(tǒng)H∞指數(shù)穩(wěn)定容錯控制器的設計[J].計算機測量與控制，2016，24（2）：88?90.

[3] 朱其新，盧開紅，朱永紅，等.具有馬爾科夫分布時延網(wǎng)絡控制系統(tǒng)的保性能控制器設計[J].航天控制，2014，32（4）：3?7.

[4] 王建華.具有伯努利分布丟包網(wǎng)絡控制系統(tǒng)的保性能控制器設計[J].航天控制，2015，33（1）：10?14.

[5] 毛為民.復雜電力網(wǎng)絡的魯棒性控制研究[J].計算機工程，2014，40（4）：291?294.

[6] 張亞明，高曉丁.基于PID控制技術的供水網(wǎng)控制系統(tǒng)設計[J].西安工程大學學報，2015，29（5）：578?582.

[7] 張偉，喬俊飛，李凡軍.溶解氧濃度的直接自適應動態(tài)神經(jīng)網(wǎng)絡控制方法[J].控制理論與應用，2015，32（1）：115?121.

[8] 宋清昆，李東威.二級倒立擺控制器設計及穩(wěn)定性研究[J].計算機仿真，2015，32（4）：305?309.

[9] 王涌，張燕燕.具有時延和丟包的網(wǎng)絡控制系統(tǒng)穩(wěn)定性分析[J].計算機工程，2015，41（10）：111?116.

[10] 王影.基于自適應神經(jīng)網(wǎng)絡的AUVs路徑跟蹤控制[J].測控技術，2015，34（4）：89?90.

[11] 龔偉志，徐建宏，劉增良.大數(shù)據(jù)環(huán)境下網(wǎng)絡穩(wěn)定性測試模型研究[J].現(xiàn)代電子技術，2015，38（6）：1?3.