Разделы презентаций


Алгоритмы управления и аддаптации в ТКС презентация, доклад

Задачи сетевого управленияПри решении задачи сетевого управления стремятся получать максимально полезный результат, как по точности и устойчивости самого управления, так и по его быстродействию. То есть задачу синтеза системы управления необходимо

Слайды и текст этой презентации

Слайд 1Алгоритмы управления и аддаптации в ТКС
2009г

Алгоритмы управления и аддаптации в ТКС2009г

Слайд 2Задачи сетевого управления
При решении задачи сетевого управления стремятся получать максимально

полезный результат, как по точности и устойчивости самого управления, так

и по его быстродействию. То есть задачу синтеза системы управления необходимо решать как оптимизационную задачу. При таком оптимальном управлении обеспечивается экстремум (минимум или максимум) выбранного

ы критерия качества системы , например, минимум среднего

ы квадрата времени задержки.



Кроме того, обычно оценивается чувствительность синтезированной системы управления к отклонениям реальных параметров и характеристик действующих возмущений (так называемая задача исследования чувствительности модели).
Обязательным так же является исследование устойчивости управления, в рамках диапазонов изменений, которые предстоит иметь в результате функционирования управляемой системы.
Необходимо также исследовать границы устойчивой работы, чтобы иметь представление о том, насколько близко может подходит система к опасному хаотическому режиму.



Задачи сетевого управленияПри решении задачи сетевого управления стремятся получать максимально полезный результат, как по точности и устойчивости

Слайд 3При синтезе оптимального управления необходимо:

знать законы распределения вероятностей и необходимые

статистические характеристики случайных возмущений, что действуют на объект управления;

наблюдать (контролировать)

фазовые координаты объекта управления и данные об их изменении в процессе управления;

определить ограничения, которые налагаются на систему управления, (границы допустимых управлений, данные по критическому трафику в ЧНН и др.).
При синтезе оптимального управления необходимо:знать законы распределения вероятностей и необходимые статистические характеристики случайных возмущений, что действуют на

Слайд 4Стохастическая система

dx/dt=A(t)x(t) + Вu(t)+C(t)ξ(t)

Вu(t) – управление системой

C(t)ξ(t) – гауссовый белый

шум

Автономная система

dx/dt=A(t)x(t)

A – определяет устойчивость системы


Управление – переход с

одной точки координат в другую (х0→х1). Время управления зависит от инерционных свойств системы.


Стохастическая и автономная системы

Для стохастической системы переход с исходной точки х0 осуществляется по сложной случайной траектории. Конечная точка – область, размеры которой определяются случайным возмещунием.

Стохастическая системаdx/dt=A(t)x(t) + Вu(t)+C(t)ξ(t)Вu(t) – управление системойC(t)ξ(t) – гауссовый белый шум Автономная системаdx/dt=A(t)x(t)A – определяет устойчивость системыУправление

Слайд 5Методы формирования управления в динамических системах
Оценка качества управления системы
Теорема о

разделении для управляемых систем.
Анализ состояния управляемых систем.

Методы формирования управления в динамических системах Оценка качества управления системыТеорема о разделении для управляемых систем.Анализ состояния управляемых

Слайд 6Анализ состояния управляемых систем.
Инерционность системы определяется А и зависит от

параметров системы и условиями:

локальная сеть А маленькое значение и уменьшается,

WAN

– А увеличивается,
спутниковая связь – A большие значения.

Параметры определяют скорость обработки и ожидание в очереди.

Скорость реакции локальной сети

Скорость реакции WAN

Скорость реакции стохастической системы

Анализ состояния управляемых систем.Инерционность системы определяется А и зависит от параметров системы и условиями:локальная сеть А маленькое

Слайд 7Теорема о разделении для управляемых систем.

В стохастических системах оптимальное управление

может быть построено с помощью двух независимых последовательных процедур:
оптимальная стохастическая

оценка состояния x(t)
детерминированное управление.


Для применения теоремы разделения необходимо выполнения условий
- процесс x(t) (состояние) должен иметь гауссово распределение вероятности;
- критерии оценки (качество управления) должно выполняться с минимальным среднеквадратическим отклонением (СКО).

Теорема о разделении для управляемых систем. В стохастических системах оптимальное управление может быть построено с помощью двух

Слайд 8Оценка качества управления системы
Оценка зависит от целевой установки системы. Система

связи направленная на предоставления обслуживания и качество определяется SLA уровнем

(договор о требуемом уровне обслуживания).

Оптимальным считается такое управление, когда достигается максимально возможное качество функционирования системы.

Система чаще всего описывается несколькими критериями. Поэтому при предоставлении качества решается многокритериальная задача.
Метод компромиссов: один критерий обеспечивается максимальным (минимальным), а остальные фиксируются;
Метод взвешивания критериев. К=∑Кiwi , wi – вес критериев, выбирается исходя из значимости критерия.
Превосходной называется такая система, котороя максимальна по всем критериям.
Критерий среднеквадратического отклонения. КСКО=(х-х0)2 → min
Оценка качества управления системыОценка зависит от целевой установки системы. Система связи направленная на предоставления обслуживания и качество

Слайд 9Задание и варианты
Реализовать алгоритм уравнения состояния

- функция прогноза

,

где
Параметры: - относительная величина шага дискретизации
- с.п.м. порождающего шума
Выполнить:1. Построить график реализации на 1000 шагах.
2. Определить выборочное среднее и дисперсию. Сравнить с заданными.
3. Построить гистограмму распределения и показать возможность ее гауссовой аппроксимации4. Построить выборочную корреляционную функцию. Определить выборочный интервал корреляции реализации . Сравнить полученные данные с заданными
Варианты выбираются согласно последних цифр номера зачетной книги.
Задание и вариантыРеализовать алгоритм уравнения состояния - функция прогноза

Слайд 10Задание №2
Выполнить:
Построить график оценки на 1000 шагах.
Определить

наличие свойств устойчивости процедуры.
Определить интервал, на котором наступает установившийся режим

(число шагов на переходном режиме).
Найти выборочное значение дисперсии ошибки оценки по формуле .

Дать выводы о качестве оценки (смещенная, несмещенная) и о качестве алгоритма (скорость сходимости, остаточная погрешность, влияние уровня шума , влияние шага дискретизации по отношению к )

Получить оценку

по алгоритму стохастической аппроксимации Роббинса-Монро:

,

,

– шум в канале наблюдения.

где





Задание №2Выполнить:Построить график оценки    на 1000 шагах.Определить наличие свойств устойчивости процедуры.Определить интервал, на котором

Слайд 11Программа Matlaba
clear all; clc;

N=1000;
t1=1:N;
D=10;

T=1;
T0=1000; %

shag diskretizatii
v=randn(size(t1));
w=randn(size(t1));
m=ones(size(t1));

% ---------------------------------
% issledovanie slu4aynoy posledovatelnosti
% --------------------------------
figure (1) % grafik slu4aynoy posledovatelnosti
plot (t1,w)
grid on

M=mean(w);
D=mean((w-M).^2);
[aa,bb]=hist(w,20);
dx=(max(w)-min(w))/20;
p1=aa/(N);%*dx
mx=bb*p1';
sigm=sqrt(mean ((w-mx).^2));
p2=exp(-(bb-mx).^2/(2*sigm^2))/(sigm*sqrt(2*pi))*dx;
M % mat ogidanie
D % dispersiya
figure (2) % histogramma slu4aynoy posledovatelnosti
bar(bb,p1)
grid on
hold on, plot(bb,p2,'r')
title('Histogram signal')
% korfunkciya -------------
R=zeros(size(t1));
for t=1:20
for k=1:(N-20)
R(t)=R(t)+w(k)*w(k+t-1);
end;
R(t)= R(t)/(N-20);
end;
R=R/max(R);
mm=0:(N-1);
figure(22)
plot(mm,R)
xlabel('tau')
ylabel('R(tau)')
title('Kor funktiya SP')
grid on
S=fft(R,512);
W=(0:255)/256*(1000000/2);
% ---------------------


% ---------------------------------
% formorovanie vhodnogo signala
% --------------------------------

x(1)=0;
F=exp(-T/T0);
G=sqrt(D*F*(1-F));

for k=1:N-1
x(k+1)=F*x(k)+G*w(k);
end

% issledovanie vhodnogo signala
figure(3)
plot(t1(1:1000),x(1:1000));
grid
title('vhodnoy signal')

M=mean(x);
D=mean((x-M).^2);
Mvx=M
Dvx=D
[aa,bb]=hist(x,20);
dx=(max(x)-min(x))/20;
p1=aa/(N);%*dx
mx=bb*p1';
sigm=sqrt(mean ((x-mx).^2));
p2=exp(-(bb-mx).^2/(2*sigm^2))/(sigm*sqrt(2*pi))*dx;
figure (4) % histogramma
bar(bb,p1)
grid on
hold on, plot(bb,p2,'r')
title('Histogram signal x')

% korfunkciya -------------
R=zeros(size(t1));
for t=1:20
for k=1:(N-20)
R(t)=R(t)+x(k)*x(k+t-1);
end;
R(t)= R(t)/(N-20);
end;
R=R/max(R);
mm=0:(N-1);
figure(44)
plot(mm,R)
xlabel('tau')
ylabel('R(tau)')
title('Kor funktiya signala')
grid on
S=fft(R,512);
W=(0:255)/256*(1000000/2);
% ---------------------


% signal+shum

x(1)=0;
F=exp(-T/T0);
G=sqrt(D*F*(1-F));
H=1;
C1=0.4;
l=10;
S=0.09;

for k=1:N-1
m(k)=C1*sin(l*k*T/T0);
x(k+1)=S*F*x(k)+G*w(k)+m(k);
end

% -------------------------
% issledovanie signal+shum
% -------------------------

figure(5)
plot(t1(1:1000),x(1:1000));
grid
title('signal+shum')

M=mean(x);
D=mean((x-M).^2);
Mss=M
Dss=S

% korfunkciya -------------
R=zeros(size(t1));
for t=1:20
for k=1:(N-20)
R(t)=R(t)+x(k)*x(k+t-1);
end;
R(t)= R(t)/(N-20);
end;
R=R/max(R);
mm=0:(N-1);
figure(33)
plot(mm,R)
xlabel('tau')
ylabel('R(tau)')
title('Kor funktiya na vx')
grid on
S=fft(R,512);
W=(0:255)/256*(1000000/2);
% ---------------------
[aa,bb]=hist(x,20);
dx=(max(x)-min(x))/20;
p1=aa/(N);%*dx
mx=bb*p1';
sigm=sqrt(mean ((x-mx).^2));
p2=exp(-(bb-mx).^2/(2*sigm^2))/(sigm*sqrt(2*pi))*dx;
figure (6) % histogramm signal+shum
bar(bb,p1)
grid on
hold on, plot(bb,p2,'r')
title('Histogram signal+shum')


% uravnenie nabluydenia

z=H*x+v+C1*m;
% grafik nablyudeniya
figure(7)
plot(t1(1:1000),z(1:1000));
grid
title('Grafik nablyudeniya')


% -----------------------------------------
% ocenka Robbinsa-Monro
% ----------------------------------------


Vw=2*ones(size(t1));
Vv=2*ones(size(t1));
Vx(1)=1;
V1x(1)=1;


K=0.1;
x1(1)=F*0;
er3(1)=1;
for k=2:N
Vx(k)=F*V1x(k-1)*F'+G*Vw(k)*G';
V1x(k)=(1-K*H)*Vx(k);
x1(k)=F*x1(k-1)+K*(z(k-1)-H*F*x1(k-1));
er3(k)=z(k-1)-H*F*x1(k-1);
n(k)=x(k)-x1(k);
end
er=(x-x1); % oshibka ocenki
er1m=mean(er);
er1=mean((er-er1m).^2)

% issledovanie vyhodnogo signala

figure(8)
subplot(211)
plot(t1(1:1000), x1(1:1000),'r'); % ocenka signala
grid
hold on
title('signal na vyhode')

subplot(212)
plot(t1(1:1000),er(1:1000),'m'); % oshibka ocenki
grid
title('oshibka ocenki')

M=mean(x1);
D=mean((x1-M).^2);
Moc=M
Doc=D


% korfunkciya -------------
R=zeros(size(t1));
for t=1:20
for k=1:(N-20)
R(t)=R(t)+x1(k)*x1(k+t-1);
end;
R(t)= R(t)/(N-20);
end;
R=R/max(R);
mm=0:(N-1);
figure(33)
plot(mm,R)
xlabel('tau')
ylabel('R(tau)')
title('Kor funktiya na vux')
grid on
S=fft(R,512);
W=(0:255)/256*(1000000/2);
% ---------------------
[aa,bb]=hist(x1,20);
dx=(max(x1)-min(x1))/20;
p1=aa/(N);%*dx
mx=bb*p1';
sigm=sqrt(mean ((x1-mx).^2));
p2=exp(-(bb-mx).^2/(2*sigm^2))/(sigm*sqrt(2*pi))*dx;
figure (9) % Histogram signal
bar(bb,p1)
grid on
hold on, plot(bb,p2,'r')
title('Histogram signal')
%---------------------------------

figure(10)

plot(t1(1:200),V1x(1:200)); % korfunkciyz signala na vyhode
hold on
grid
title('Korfunkciya signala na vyhode')

Программа Matlabaclear all; clc;  N=1000;  t1=1:N;  D=10;  T=1;  T0=1000;

Слайд 12 Построить график реализации

Определить выборочное среднее и дисперсию:

M = 0.0068, D =

0.9605

Гистограмму распределения и
показать возможность ее гауссовой аппроксимации

Построить выборочную корреляционную функцию.
Определить выборочный интервал корреляции

Построить график реализации Определить выборочное среднее и дисперсию:	     M =  0.0068,

Слайд 13График оценки и ошибки

оценки

Определить выборочное среднее и дисперсию:
Moc = 0.1014
Doc = 0.1987
Определить

интервал корреляции
График оценки       и ошибки оценкиОпределить выборочное среднее и дисперсию:Moc = 0.1014Doc

Обратная связь

Если не удалось найти и скачать доклад-презентацию, Вы можете заказать его на нашем сайте. Мы постараемся найти нужный Вам материал и отправим по электронной почте. Не стесняйтесь обращаться к нам, если у вас возникли вопросы или пожелания:

Email: Нажмите что бы посмотреть 

Что такое TheSlide.ru?

Это сайт презентации, докладов, проектов в PowerPoint. Здесь удобно  хранить и делиться своими презентациями с другими пользователями.


Для правообладателей

Яндекс.Метрика