[發明專利]一種基于自適應編解碼迭代學習控制信息傳輸系統和方法

在審

• 申請號: 202110069443.6
• 申請日: 2021-01-19
• 公開（公告）號: CN112862106A
• 公開（公告）日: 2021-05-28
• 發明（設計）人: 沈棟
• 申請（專利權）人: 中國人民大學
• 主分類號: G06N20/00
• 分類號: G06N20/00
• 代理公司: 北京紀凱知識產權代理有限公司 11245
• 代理人: 趙悅

本發明涉及一種基于自適應編解碼迭代學習控制信息傳輸系統和方法，包括：待傳輸信息生成模塊，用于生成待傳輸信息；第一自適應編碼模塊，接收信息，并對其進行編碼；第一解碼模塊，對編碼信息進行解碼，并將其傳輸至控制模塊；控制模塊，接收解碼信息、期望輸出軌跡信息和待傳輸信息生成模塊的輸入信號，并根據其接收的信息生成新的輸入信號；第二自適應編碼模塊，對新的輸入信號進行編碼；第二解碼模塊，對編碼信息進行解碼，并將其傳輸至待傳輸信息生成模塊以生成新的待傳輸信息。其可以利用量化方法極大減少網絡環境下的數據傳輸量，同時能夠克服量化帶來的量化誤差影響，實現零誤差跟蹤。

技術領域

本發明涉及一種基于自適應編解碼迭代學習控制信息傳輸系統和方法，屬于無線通訊技術領域。

背景技術

隨著控制系統的大型化、網絡化發展，越來越多的控制信號需要通過網絡進行實時傳輸。無線傳輸方式由于其廉價易部署的特性，也得到了更廣泛的關注。無論是網絡傳輸還是無線傳輸方式，其傳輸負載都不希望過大。如果運行負載過高，就可能導致網絡阻塞、延遲、亂序等結果。

迭代學習控制是一種幾乎不依賴于系統信息的、類比人類學習行為的數據驅動控制策略，其核心思想是基于對已完成運行過程的各種數據，對系統運行過程內在的重復性不斷進行學習，從而改善系統跟蹤性能，適用于非線性、強耦合、建模困難及高精度跟蹤難題。

如圖1所示，為現有技術中的迭代學習控制系統的結構示意圖，若系統為一類離散線性時不變系統，該系統模型表示為：

其中，k為迭代批次，t為離散時間點，x_k(t)、y_k(t)和u_k(t)分別為系統狀態、系統輸出和系統輸入，A、B和C均為系統矩陣。若不考慮量化，經典迭代學習控制的控制律為：

u_k+1(t)＝u_k(t)+L*e_k(t+1)

其中L為可調增益矩陣，e_k(t+1)＝y_d(t+1)-y_k(t+1),表示第k次迭代第t+1時刻系統輸出y_k(t+1)與期望軌跡y_d(t+1)的誤差。現有迭代學習理論已經證明了選擇合適的L，在滿足收斂條件的情況下，該控制律可以實現系統對期望跟蹤軌跡的精確跟蹤。

現有迭代學習控制(ILC)多依賴于對完整歷史數據的使用，在實際復雜系統操作過程中，需要不斷增加硬件投入來確保數據的完備性，使得系統負擔和控制成本大大增加。近幾十年來，網絡技術得到長足發展，特別是廉價易部署的無線傳輸方式得到大范圍應用。根據網絡環境的不同，可以使用更便宜的設備以更小的帶寬交換更多信息。

量化作為主動不完備數據的方式，針對具體控制目標，將信號連續取值映射為多個離散值，通常表現為模擬信號到數字信號的轉化，可有效降低數據量，使系統占用更小硬件資源。量化會不可避免的引入誤差，稱為量化誤差。過去的方法均需先向系統傳遞期望參考軌跡，并與實際輸出進行比較，在現場產生跟蹤誤差，然后將誤差信息量化并傳輸回來以更新輸入信號，此類方法都得益于對數量化器在給定有限范圍內足夠的精度特性。然而，在給定的有限范圍內，對數量化器的狀態是無限的，內存需求太大。在加入了量化影響的迭代學習控制系統中，由于量化導致了系統實際輸出值與迭代學習控制律計算所得到的輸入不可能直接通過網絡精確傳輸，因此會引入量化誤差，從而無法實現零誤差跟蹤。

發明內容

針對上述問題，本發明的目的是提供了一種基于自適應編解碼迭代學習控制信息傳輸系統和方法，其不需要通過網絡環境精確地傳遞期望參考軌跡，同時能夠克服量化帶來的量化誤差影響，實現零誤差跟蹤。