一种小微智能传感器网络拥塞辨识模型的建立方法技术

本发明专利技术涉及网络拥塞辨识模型，具体涉及一种小微智能传感器网络拥塞辨识模型的建立方法，利用Koopman算子理论分析建立小微智能传感器网络系统数据集，选取基函数对数据集进行升维，将原系统升维到一个高维的可观测函数空间，建立小微智能传感器网络Koopman高维线性模型，利用得到的升维数据集求取Koopman算子有限维逼近，并利用神经网络进行训练，得到最终高维线性模型；本发明专利技术提供的技术方案能够有效克服现有技术所存在的无法建立具有普适性的全局线性化模型的缺陷。的全局线性化模型的缺陷。的全局线性化模型的缺陷。

【技术实现步骤摘要】
一种小微智能传感器网络拥塞辨识模型的建立方法


[0001]本专利技术涉及网络拥塞辨识模型，具体涉及一种小微智能传感器网络拥塞辨识模型的建立方法。

技术介绍

[0002]在透明电网，由小微智能传感器组成的无线传感器网络中大规模的数据流输入到传感器节点可能引起网络拥塞，网络拥塞严重影响网络的性能。小微智能传感器网络系统具有很强的非线性，这为进一步分析和设计网络拥塞控制器增加了困难，因此，建立小微智能传感器网络拥塞系统线性化模型是小微智能传感器的重点研究方向之一。
[0003]拥塞控制直接影响网络的服务质量，针对网络拥塞模型具有很强的非线性问题，大多数学者着重在平衡点进行局部线性化，之后进行后续网络拥塞控制器的设计。
[0004]国内外的研究人员进行了大量研究，鲁东大学学者采用拥塞度门限值作为拥塞调节的依据，提出了一种基于RED的拥塞避免策略。(期刊：计算机仿真，著者：李路伟，杨洪勇；出版年月：2012；文章题目：基于 RED的无线传感器网络的拥塞控制；页码：168
‑
172)
[0005]北京科技大学学者提出一种基于PID型神经网络控制队列的控制器，利用RBF神经网络的自学习能力解决网络实时变化时算法参数的在线整定问题，使路由器缓存中的队列长度稳定在设定值。(期刊：小型微型计算机系统；著者：唐懿芳，穆志纯，赵仕俊，钟达夫；出版年月：2010；文章题目：基于RBF预估神经网络控制器的无线传感器网络拥塞算法；页码：32
‑
35)
[0006]学者提出一种基于非线性干扰观测器的鲁棒拥塞控制器，其重点是抑制队列振荡，并对时滞进行补偿。(期刊：IFAC Proceedings Volumes；著者：Hsu P,Lin C；出版年月：2014；文章题目：Active queue management in wireless networks by using nonlinear extended network disturbance；页码：1613
‑
1618)
[0007]合肥工业大学学者采用一种滑模学习控制方法，其可以减轻拥塞，降低包丢失和保持队列长度。(会议：2014International Conference on Wireless Communication and Sensor Network；著者：Jiang K W,Wang J P,Sun W,Qi yue Li；出版年月：2015；文章题目：Sliding mode learning control for congestion control of wireless sensor networks；页码：291
‑
296)
[0008]伊斯兰阿扎德大学学者提出一种模糊PID的控制方法，控制缓冲区队列长度。(期刊：Wireless Personal Communications；著者：Rezaee A A,Pasandideh F；出版年月：2017；文章题目：A fuzzy congestion control protocol based on active queue management in wireless sensor networks with medical applications；页码：816
‑
842)
[0009]现有方法大多着重将网络拥塞系统进行局部线性化，然后进行控制律设计。由于这些方法考虑的数学模型存在不完整性，结论难以推广至一般情况。

技术实现思路

[0010](一)解决的技术问题
[0011]针对现有技术所存在的上述缺点，本专利技术提供了一种小微智能传感器网络拥塞辨识模型的建立方法，能够有效克服现有技术所存在的无法建立具有普适性的全局线性化模型的缺陷。
[0012](二)技术方案
[0013]为实现以上目的，本专利技术通过以下技术方案予以实现：
[0014]一种小微智能传感器网络拥塞辨识模型的建立方法，包括以下步骤：
[0015]S1、利用Koopman算子理论分析建立小微智能传感器网络系统数据集；
[0016]S2、选取基函数对数据集进行升维，将原系统升维到一个高维的可观测函数空间；
[0017]S3、建立小微智能传感器网络Koopman高维线性模型；
[0018]S4、利用得到的升维数据集求取Koopman算子有限维逼近，并利用神经网络进行训练，得到最终高维线性模型。
[0019]优选地，所述利用Koopman算子理论分析建立小微智能传感器网络系统数据集，包括：
[0020]利用能够激发小微智能传感器网络特性的控制输入进行输入输出数据的采集，利用产生的输出数据与控制输入数据建立数据集：
[0021][0022]其中，U为输入序列，X为当前状态序列，Y为下一状态序列，n表示每次控制的总采样次数，k表示收集k组数据，即以k种不同的初始状态在k个不同随意输入序列下进行开环控制，p为分组丢弃概率，为当前状态，w为窗口大小，q为队列长度，Xn为下一状态值。
[0023]优选地，所述选取基函数对数据集进行升维，包括以下步骤：
[0024]S21、定义一组基函数Ψ(x)＝[Ψ1(x),Ψ2(x),...Ψ
m
(x)]T
；
[0025]S22、选取一个简单的神经网络作为基函数的逼近器，形式设置为：
[0026]Ψ(x)＝W
out
h+b
out
[0027]h＝tanh(Wx+b)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)
[0028]其中，W∈R16
×
2，Wout∈R40
×
16，b∈R16
×
1，bout∈R40
×
1，需要训练的参数集为θ＝{W，b，Wout，bout}；
[0029]S23、将数据集带入神经网络进行升维，得到升维后的数据集Xlift、Ylift。
[0030]优选地，所述建立小微智能传感器网络Koopman高维线性模型，包括：
[0031]基于Koopman算子理论和扩展动力学模态分解算法结合，将小微智能传感器网络表示为高维线性模型：
[0032]z(k+1)＝Az(k)+Bu(k)
[0033][0034]其中，z为升维后的状态，表示基于Koopman算子理论得到的原始空间的状态，A∈RM
×
N，B∈RN
×
1，C∈R2
×
N为线性定常矩阵，N为升维后状态维数，式(2)为全局线性化模型。
[0035]优选地，所述利用得到的升维数据集求取Koopman算子有限维逼近，并利用神经网络进行训练，得到最终高维线性模型，包括：
[0036]利用得到的升维数据集Xlift、Ylift，通过扩展动力学模态分解算法求取Koopman算子本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种小微智能传感器网络拥塞辨识模型的建立方法，其特征在于：包括以下步骤：S1、利用Koopman算子理论分析建立小微智能传感器网络系统数据集；S2、选取基函数对数据集进行升维，将原系统升维到一个高维的可观测函数空间；S3、建立小微智能传感器网络Koopman高维线性模型；S4、利用得到的升维数据集求取Koopman算子有限维逼近，并利用神经网络进行训练，得到最终高维线性模型。2.根据权利要求1所述的小微智能传感器网络拥塞辨识模型的建立方法，其特征在于：所述利用Koopman算子理论分析建立小微智能传感器网络系统数据集，包括：利用能够激发小微智能传感器网络特性的控制输入进行输入输出数据的采集，利用产生的输出数据与控制输入数据建立数据集：其中，U为输入序列，X为当前状态序列，Y为下一状态序列，n表示每次控制的总采样次数，k表示收集k组数据，即以k种不同的初始状态在k个不同随意输入序列下进行开环控制，p为分组丢弃概率，为当前状态，w为窗口大小，q为队列长度，Xn为下一状态值。3.根据权利要求2所述的小微智能传感器网络拥塞辨识模型的建立方法，其特征在于：所述选取基函数对数据集进行升维，包括以下步骤：S21、定义一组基函数Ψ(x)＝[Ψ1(x),Ψ2(x),
…
Ψ
m
(x)]
T
；S22、选取一个简单的神经网络作为基函数的逼近器，形式设置为：Ψ(x)＝W
out
h+b
out
h＝tanh(Wx+b)
ꢀꢀꢀꢀ
(1)其中，W∈R16
×
2，Wout∈R40
×
16，b∈R16
×

【专利技术属性】
技术研发人员：周柯，王晓明，巫聪云，林翔宇，吴敏，张炜，丘晓茵，彭博雅，
申请(专利权)人：广西电网有限责任公司电力科学研究院，
类型：发明
国别省市：