机器人遥操作系统中信息延时的预测研究

图 ３ ＢＰ 神经网络预测时延与实际时延相比较
图 ２ 改进的 Ｅｌｍａｎ 网络结构
图 ４ Ｅｌｍａｎ 神经网络测时延与实际时延相比较
由以上预测结果 ， 我们可以分析总结如下 ：
（１） 由图 ３ 和图 ４ 我们可以明显看出两种时延预测方法所取
得的效果非常好。 因为网络上的传输时延多数集中在一定范围内，
２．１ ＢＰ 神经网络预测网络延时 本文采用三层的网络结构 ， 其如图 １ 所示 ：
图 １ 三层 ＢＰ 网络基本结构 在处理时延问题上我们采用正向处理和反向处理相结合 的 办 法 ， 即若 当 前 延时 预 测 误差 满 足 系统 性 能 误差 要 求 时 ， 则 用 当前网络的权值预测时延 ， 反之 ， 就需对网络的权值进行 修 正 ， 重 邮局订阅号 ： ８２－９４６ ３６０ 元 ／ 年 －
利用 中 间层 的 输 出 ｛Ｙｊ｝， 中 间 层 到 输 出 层 的 连 接 权 值 ｛Ｖｋｊ｝和 输出层单元 ｋ 的偏置值 ｒｋ 可以求出对输出层单元 ｋ 的输出 Ｏｋ：
Ok = f (∑vkj •Yj − rk )
j
权值 ， 阈值 v , r , w , θ 的修改公式分别为 ：
其中 ： α ，β是调节参数 ，修正基本的 ＢＰ 神经网络预测算法有
θ j =θ j + β ⋅ ∑δk ⋅ vkj ⋅ Yj ⋅ (1−Yj )
w = w +α ⋅ ∑δ ⋅v ⋅ Y ⋅ (1−Y ) ⋅ X
２５０ 个 ３２ 字节的数据包 ， 相应的得到 ２５０ 个 时延 值 ， 我 们用 前 ５０ 个 数据 作 为 学习 Ｅｌｍａｎ 神 经 网络 的 数 据 ， 用 前 １００ 个 数 据 检 验 后 １００ 个 作 为 检 验 学 习 后 的 Ｅｌｍａｎ 神 经 网 络 的 预 测 能 力 的 数据 ， 丢失的数据包的时延值我们采取填补平均时延值的方法 ． 本文以 Ｍａｔｌａｂ 为工具进行仿真 ， 分 别对 ＢＰ 神 经 网络 和 Ｅｌ－ ｍａｎ 神经网络对网络时延的预测功能进行了评估 ， 在 ＢＰ 神经网 络和 Ｅｌｍａｎ 神 经网 络 的 设计 中 ， 我 们 利 用 Ｍａｔｌａｂ 工 具 中 自 带 的 函数来建立网络的。其预测结果分别如图 ３ 、 图 ４ 所示。
３ 仿真实验结果与分析
在实 际 的网 络 时 延预 测 仿 真实 验 中 ， 我 们 选 取 ２００７ 年 ０３
月 ２３ 日 上 午 ９ 点 测 得 的重 庆 邮 电大 学 智 能系 统 及 机 器 人 研 究 所到雅虎服务器的网络时延作为预测目标数据 ， 我们 共 发送 了
rk = rk + β ⋅ (Ok −Tk−1) ⋅ Ok ⋅ (1−Ok )
以上各部分延时的总和就构成了互联网中传 输时 延 ， 但 中 间路由器数据处理延时是最主要的组成部分。 网络 传 输延 时 是 由多 部 分 组成 的 ， 其 也存 在 不 确定 性 ， 但 不 是 完 全 随机 的 ， 正 如文 章 分 析指 出 的 那样 ：“ 在 数 据报 延 时 不 确 定性的背后 ， 有一定的规律性” 。这就为我们能用神 经 网 络预 测 时延提供了基础。
技 术 创 新
静态修正法和动态修正法 ， 本实验中我们采用的是动态修正法 ， 即若 ｋ－ １ 时刻的预测误差超过修正阈值 ，则将 ｋ 时刻的神经网络 反之 ，则直接采用神经网络的输出作为 ｋ 时刻延时的预测值。
输出值减去 ｋ－ １ 时刻的预测误差作为本时刻互联网延时预测值 ；
２．２ Ｅｌｍａｎ 神经网络预测网络延时 更生 Ｅｌｍａｎ 网络 是 一种 典 型 的动 态 神 经网 络 ， 能 够更 直 接 、 动地反映系统的动态特性。 Ｅｌｍａｎ 网络的特点是隐层的输出通 过结构单元的延迟、 存 储 ，固 定 反 馈 到 隐 层 的 输 入，这 种 固 定 反 馈方式使其对历史状态的数据具有敏感性。 然而标准的 Ｅｌｍａｎ 网 络 仅 能 辨 识 一 阶 线 性 动 态 系 统 ，Ｅｌｍａｎ 网 络 对 结 构 单 元 连 接 权的 学 习 稳定 性 较 差 ， 从 而 当 系统 阶 次 增加 或 隐 层单 元 增 加时 ，
技 术 创 新
２ 神经网络预测网络时延的方法
神经网络最大的优点就是具有可以逼近任意的非线性的 能 力 ， 我 们在 采 用 神经 网 络 预测 延 时 时提 出 了 “ 先预 测 ， 后 验证 ” 的思想 ， 即先依据已经获取的从前一段时间内的延时 信息 训 练 神经 网 络 ， 确定 神 经 网络 的 权 值 ， 然 后 根 据这 些 权 值预 测 网 络 当 前 时 刻网 络 的 延时 状 况 ， 当获 得 该 时刻 网 络 的延 时 的 实际 值 后 ， 比较 实 际 值和 预 测 值 ， 如 果 预 测误 差 小 于许 可 范 围 ， 认 为 网 络 状 况还没发生剧烈的变化 ， 否则 ， 必须重新训练权值 ， 训练 神经 网 络 使用的信号为上一时刻网络的真实延时。
－
２６６ － ３６０ 元 ／ 年 邮局订阅号 ： ８２－９４６
Á ÂÁ Á Â ÃÁ Â Á Â Ã Ä
f ( x) = 1 1 + exp(− x)
中 文 核 心 期 刊 《 微 计 算 机 信 息 》（ 嵌 入 式 与 Ｓ ＯＣ ）２００８ 年 第 ２４ 卷 第 ８－２ 期 到隐藏层、 承接层 ｙｃ（ｋ）到隐藏层、 承接层到输出层的连接权值。 从 Ｅｌｍａｎ 神 经 网 络 的 状 态 空 间 表 达 式 中 我 们 可 以 发 现 ， 对 于 Ｅｌｍａｎ 网 络本 身 的 运行 而 言 ， 权 值 ｗ６ 增 强 了 其 动 态 性 能 ， 提 高 了网 络 每 次迭 代 的 学习 效 率 ， 从而 加 速 了网 络 的 收敛 ， 提 高 了 模型精度。
您的论文得到两院院士关注 文章编号 ：１００８－ ０５７０（２００８）０８－ ２－ ０２６５－ ０３
机器人技术
机器人遥操作系统中信息延时的预测研究
Ｒｅ ｓ ｅ ａ ｒｃｈ ｏ ｆ Ｐｒｅ ｄ ｉｃｔｉｎ ｇ Ｉｎ ｆｏ ｒｍ ａ ｔｉｏ ｎ Ｔｉｍ ｅ Ｄｅ ｌａ ｙｓ ｉｎ Ｔｅ ｌｅ ｒｏ ｂ ｏ ｔｉｃ Ｓ ｙｓ ｔｅ ｍ
Á
y c (k ) = y (k − 1) + γ u c (k − 1)
１
ห้องสมุดไป่ตู้
y (k ) = g[w1 x(k ) + w6 xc (k )]
其中 α 、 、 β γ为反馈增益。 ｗ、 ｗ、 ｗ、 ｗ、 ｗ、 ｗ 分别为隐藏层
２ ３ ４ ５ ６
到输 出 层、 输 入 层 到隐 藏 层 、 承接 层 ｘｃ（ｋ）到 隐藏 层 、 承 接 层 ｕｃ（ｋ）
１ 网络传输时延的组成
根据数据在网络上的传输特性 ， 我们可将数据传输 时 延 分 为以下几部分 ；设总的时延为 Ｔ；则 ： Ｔ＝Ｔｓ＋Ｔｐ＋Ｔｎ＋Ｔｄ＋Ｔｖ； 其中 ： （１） 本地主机处理数据延时 Ｔｓ。 （２） 物理线路上信号传输延时 Ｔｐ。 （３） 中间路由器数据处理延时 Ｔｎ。 （４） 远程主机数据处理延时 Ｔｄ。 （５） 扰动延时 Ｔｖ 。主要是指传输中不可预测的扰动 ， 如信息 丢失或信息次序的混乱。
Ａｂｓｔｒ ａｃｔ： Ａｆｔｅｒ ａｎａｌｙｚｉｎｇ ｔｈｅ Ｉｎｔｅｒｎｅｔ ｃｏｍｍｕｎｉｃａｔｉｏｎ ｄｅｌａｙ，ｃｏｍｐｏｅｎｔｓ ａｎｄ ｆｅａｔｕｒｅｓ，ｔｈｅ ＢＰ ｎｕｕｒａｌ ｎｅｔｗｏｒｋ ａｎｄ Ｅｌｍａｎ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ ａｒｅ ａｄｏｐｔｅｄ ｔｏ ｐｒｅｄｉｃｔ ｔｈｅ Ｉｎｔｅｒｎｅｔ ｃｏｍｍｕｎｉｃａｔｉｏｎ ｄｅｌａｙｓ，Ｔｈｅ ｓｉｍｕｌａｔｉｏｎ ｒｅｓｕｌｔｓ ｉｌｌｕｓｔｒａｔｅ ｔｈａｔ ｂｏｔｈ ｔｈｅ ＢＰ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ ａｎｄ Ｅｌｍａｎ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ ａｒｅ ｐｒｏｖｉｄｅ ｐｒｏｍｉｓｉｎｇ ｗａｙｓ ｔｏ ｐｒｅｄｉｃｔ ｔｈｅ ｔｉｍｅ － ｄｅｌａｙ， Ｈｏｗｅｖｅｒ， Ｅｌｍａｎ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ ｈａｓ ａ ｂｅｔｔｅｒ ｐｒｅｄｉｃｔｉｏｎ ｐｅｒｆｏｒ－ ｍａｎｃｅ． Ｋｅｙ ｗｏｒ ｄｓ： ＢＰ ｎｅｕｒ ａｌ ｎｅｔｗｏｒ ｋ； Ｅｌｍａｎ ｎｅｕｒ ａｌ ｎｅｔｗｏｒ ｋ； Ｔｉｍｅ－ ｄｅｌａｙ
抖动只是其中的很少一部分， 因此采用 ＢＰ 神经网络和 Ｅｌｍａｎ 神 经网络都得到很好的预测效果 ，但是 ，它们都是根据历史数据以离 线的方式训练的，没有考虑到诸如路由选择，网络业务量等其他变 量对预测时延值的影响。换句话说，在抖动比较多的网络上用 ＢＰ 神经网络或 Ｅｌｍａｎ 神经网络都不能达到令人满意的结果。
引 言
随着互联网技术的不断成熟 ， 对基于互联网的机器 人 遥 操 作系统 的研 究 逐 渐成 为 热 点 ， 由 于 系 统中 引 入 了互 联 网 环节 ， 其 造成的信息传递时延将对系统的整体性能产生影响。一些远程 控制系统的研究表明在远程控制系统网络通信中即使存在微 小 的互 联 网 传 输 延 迟 也 将 会 导 致 控 制 系 统 的 不 稳 定 性 的 发 生 ， 因此减小互联网传输时延是急需解决的一个问题。 本文尝试利用神经网络来预测基于互联网的机器人遥操 作系统中信息传输时的延时 ， 神经网络具有非线性辨识能力。 神 经网络预测时延法采用“ 先预测、 后验证” 的思想 ， 即先 根 据 已经 获取的前一段时间的网络传输时延训练神经网络 ， 确定神 经 网 络的权值 ， 然后根据这些权值预测网络下一时刻的网络 传 输时 延。 神经网络预测时延法具有学习的能力 ， 能较好的对未来时刻 的网络传输时延进行预测 ， 具体给出了两种神经网络预 测时 延 的研究 ， 通过仿真实验验证所提出的方法得出了各自适 合 的 条 件 ， 并分析了其各自的优缺点。
将直接导致学习率极小。以致不能提供可接受的逼近精度。为 献我们将原网络进行了改进 ， 其结构如图 ２ 所示。 了进一步提高 Ｅｌｍａｎ 神经网络的逼近能力和动态特性 ， 基于 文