專利名稱：模糊神經(jīng)元主動(dòng)隊(duì)列管理方法在ipcop中實(shí)現(xiàn)的方法
技術(shù)領(lǐng)域：
本發(fā)明涉及一種實(shí)際通信網(wǎng)絡(luò)實(shí)驗(yàn)平臺(tái)中模糊神經(jīng)元主動(dòng)隊(duì)列管理方法在IPCOP軟件路由器中實(shí)現(xiàn)的方法。
背景技術(shù)：
近年來(lái)，計(jì)算機(jī)網(wǎng)絡(luò)作為一種新興的技術(shù)已被人們廣泛使用，很多研究者已經(jīng)做了大量的研究來(lái)改善其性能。但是隨著科技的不斷發(fā)展，網(wǎng)絡(luò)規(guī)模一直處于增長(zhǎng)狀態(tài)，對(duì)有限網(wǎng)絡(luò)資源的過(guò)度需求致使計(jì)算機(jī)網(wǎng)絡(luò)的擁塞問(wèn)題，從而導(dǎo)致網(wǎng)絡(luò)數(shù)據(jù)包的大量丟失和網(wǎng)絡(luò)資源的低利用率以及一些其他性能的惡化。所以，網(wǎng)絡(luò)擁塞作為一個(gè)比較嚴(yán)重的問(wèn)題引起了研究者的高度重視。僅僅依賴于源端控制策略和機(jī)制進(jìn)行控制是遠(yuǎn)遠(yuǎn)不夠的，IETF (互聯(lián)網(wǎng)工程任務(wù)組)提出了主動(dòng)隊(duì)列管理AQM，其目的是為了彌補(bǔ)端到端擁塞控制機(jī)制存在的缺陷。主動(dòng)隊(duì)列管理AQM方法解決的問(wèn)題主要包括以如幾個(gè)方面I.在延遲和吞吐量之間保持簡(jiǎn)單的權(quán)衡，使隊(duì)列處于未滿的狀態(tài)是必要的。2.可以吸收突發(fā)流，對(duì)于持續(xù)流和間隙流進(jìn)行公平地處理。3.在隊(duì)列滿之前對(duì)新到達(dá)的數(shù)據(jù)包進(jìn)行隨機(jī)丟棄，或者在隊(duì)列滿的時(shí)候?qū)彺鎱^(qū)的數(shù)據(jù)包隨機(jī)丟棄，從而避免擁塞的發(fā)生。4.避免多個(gè)TCP連接由于隊(duì)列溢出而造成的“慢啟動(dòng)”狀態(tài)。在主動(dòng)隊(duì)列管理AQM方法提出之前，路由器采取的是“tooptail”方法，即棄尾法，其原則是在路由器緩存區(qū)滿之后進(jìn)來(lái)的數(shù)據(jù)包全部丟棄。而主動(dòng)隊(duì)列管理AQM方法是除了使用分組丟棄以外，還在擁塞發(fā)生之前使用分組標(biāo)記通知源端減小發(fā)送速率，主動(dòng)隊(duì)列管理AQM方法不但能夠很好地避免擁塞，同時(shí)還能避免全局同步現(xiàn)象(GlobalSynchronization)。1993 年，F(xiàn)lyod 和 Jacobson 提出了隨機(jī)早期檢查 RED (Random EarlyDetection)方法，然而許多隨后的研究已經(jīng)證實(shí)了隨機(jī)早期檢查RED方法存在著一些缺點(diǎn)，例如參數(shù)較敏感、不能很好地識(shí)別擁塞程度、公平性問(wèn)題以及不能控制隊(duì)列長(zhǎng)度的穩(wěn)定目標(biāo)值等。為了克服隨機(jī)早期檢查RED方法存在的缺點(diǎn)，一些隨機(jī)早期檢查RED方法的改進(jìn)算法被提出，如 ARED(Adaptive-RED)、SRED(Stabilized-RED)、FRED(Flow-RED)、HRED(Hybrid-RED)、和ERED(Effective-RED)。除了隨機(jī)早期檢查RED的改進(jìn)方法，還有一些其他的主動(dòng)隊(duì)列管理AQM方法，如BLUE方法、虛擬隊(duì)列AVQ方法、REM方法等等。大量的實(shí)驗(yàn)表明以上這些方法在動(dòng)態(tài)性能和反應(yīng)速度方面存在缺陷，在網(wǎng)絡(luò)環(huán)境動(dòng)態(tài)變化的情況下，仍然不能提供令人滿意的服務(wù)質(zhì)量。2000年TCP (傳輸控制協(xié)議)模型建立以后，C. Hollot等人基于控制理論分析了網(wǎng)絡(luò)參數(shù)對(duì)系統(tǒng)穩(wěn)定性的影響，提出了 PI (Proportional Integral,比例積分)擁塞控制器，它消除了穩(wěn)態(tài)誤差，對(duì)于緩存隊(duì)列調(diào)整具有較好的響應(yīng)性和魯棒性。與隨機(jī)早期檢測(cè)RED方法相比，PI擁塞控制方法可以更好的調(diào)節(jié)隊(duì)列長(zhǎng)度。然而，它對(duì)于負(fù)載和網(wǎng)絡(luò)參數(shù)的變化存在著缺陷。隨后研究人員又提出了自適應(yīng)PI速率控制器H)和基于隊(duì)列的自適應(yīng)PI控制器ro。為了對(duì)系統(tǒng)的整體性能進(jìn)行改善，在PI的基礎(chǔ)上又加入了微分環(huán)節(jié)，例如ro、PID作為一種調(diào)節(jié)隊(duì)列長(zhǎng)度的AQM算法而出現(xiàn)，然而由于計(jì)算機(jī)網(wǎng)絡(luò)本身存在的延遲和隨機(jī)性，這些控制器的處理效果并不是很理想。而且將網(wǎng)絡(luò)作為一種線性時(shí)不變系統(tǒng)是存在問(wèn)題的并且不切合實(shí)際，因?yàn)閷?shí)際的網(wǎng)絡(luò)是復(fù)雜多變的。因此，這些方法具有局限的有效性，并且這些算法都是在NS2仿真軟件中實(shí)現(xiàn)的，并沒(méi)有應(yīng)用于實(shí)際網(wǎng)絡(luò)環(huán)境中。

發(fā)明內(nèi)容
本發(fā)明所要解決的技術(shù)問(wèn)題是克服了現(xiàn)有技術(shù)都是在NS2仿真軟件中實(shí)現(xiàn)的并沒(méi)有應(yīng)用于實(shí)際網(wǎng)絡(luò)環(huán)境中的問(wèn)題，提供了一種模糊神經(jīng)元主動(dòng)隊(duì)列管理方法在IPCOP軟件路由器中實(shí)現(xiàn)的方法。為解決上述技術(shù)問(wèn)題，本發(fā)明是采用如下技術(shù)方案實(shí)現(xiàn)的所述的模糊神經(jīng)元主動(dòng)隊(duì)列管理方法在IPCOP中實(shí)現(xiàn)的方法的步驟如下 I.相關(guān)參數(shù)的定義及初始化；2.等待新的數(shù)據(jù)包到達(dá)；3.采用有導(dǎo)的Hebb學(xué)習(xí)算法對(duì)神經(jīng)元加權(quán)系數(shù)動(dòng)態(tài)調(diào)節(jié)；4.采用模糊控制方法動(dòng)態(tài)調(diào)整神經(jīng)元增益K ;5.計(jì)算丟棄概率P (k)并以丟棄概率P (k)丟棄數(shù)據(jù)包。技術(shù)方案中所述的相關(guān)參數(shù)的定義及初始化是指I) limit為路由器緩存大小，初始值為600packets ；2) qref為隊(duì)列長(zhǎng)度的期望值，初始值為300packet ；3)w為采樣頻率，初始值為160 ；4)q(k)為當(dāng)前時(shí)刻瞬時(shí)隊(duì)列長(zhǎng)度，q(k-l)為前一時(shí)刻瞬時(shí)隊(duì)列長(zhǎng)度,q (k_2)為前兩時(shí)刻瞬時(shí)隊(duì)列長(zhǎng)度，初始值均為O ;5) p(k)為數(shù)據(jù)包的丟棄概率，P (k_l)為前一時(shí)刻的丟棄概率，初始值均為O ;6)e(k)為當(dāng)前隊(duì)列長(zhǎng)度與期望隊(duì)列長(zhǎng)度的誤差，e(k-l)為前一時(shí)刻的誤差，e (k-2)為前兩時(shí)刻的誤差，初始值均為O ;7) Xi (k)為神經(jīng)元的輸入量，i = 1，2，3，初始值均為O ;8) Jli為學(xué)習(xí)速率，i = 1,2, 3，初始值分別為8e_5，le_6和le_7 ；9)Wi (k)為神經(jīng)元的加權(quán)系數(shù)，i = 1,2, 3，初始值分別為2. 58392e_6，2. 98290e_6和 3.50735e-8 ；10) K為神經(jīng)元增益，其初始值K。設(shè)置為O. 12。技術(shù)方案中所述的采用有導(dǎo)的Hebb學(xué)習(xí)算法對(duì)神經(jīng)元加權(quán)系數(shù)動(dòng)態(tài)調(diào)節(jié)的步驟如下I)將q (k-1)的值賦給前兩時(shí)刻瞬時(shí)隊(duì)列長(zhǎng)度q (k_2)，將q (k)的值賦給前一時(shí)刻瞬時(shí)隊(duì)列長(zhǎng)度q(k-l)，q(k)重新采樣；2)計(jì)算神經(jīng)元方法輸入量X1 (k), X2(k), X3(k)的值 X1 (k) = q (k) -qref = e (k),x2 (k) = e (k) _e (k_l),X3 (k) = e (k) _2e (k_l)+e (k_2)；
3)實(shí)時(shí)計(jì)算神經(jīng)元的加權(quán)系數(shù)Wi (k+1) = Wi (k) + n ^ (k) p (k) Xi (k), i=l, 2, 3 ；4)將k+1時(shí)刻的三個(gè)加權(quán)系數(shù)分別賦值給k時(shí)刻的加權(quán)系數(shù)，用于下一次計(jì)算。技術(shù)方案中所述的用模糊控制方法動(dòng)態(tài)調(diào)整神經(jīng)元增益K的步驟如下I)以X1(Ii)和x2(k)作為輸入量，神經(jīng)兀增益K的變化量ΔΚ作為輸出量,對(duì)輸入量X1 (k)和X2GO進(jìn)行模糊化，其中包括量程轉(zhuǎn)換和選取隸屬度函數(shù)兩部分，將X1 (k)和X2GO分別轉(zhuǎn)化到[-3，3]和[-0.3,0. 3]內(nèi)，輸入輸出均選取為七個(gè)模糊狀態(tài)，分別為PB即負(fù)大、PM即負(fù)中、PS即負(fù)小、Z即零、NS即正小、匪即正中、NP即正大，隸屬度函數(shù)選取為三角形函數(shù)；2)結(jié)合專家知識(shí)和經(jīng)驗(yàn)制定Λ K的模糊規(guī)則表，共有49條模糊規(guī)則，第一條模糊 規(guī)則可以寫成If X1 is NB and x2 is NB then ΔK is PB,其他模糊規(guī)則與之類似；3 )采用Mamdani法進(jìn)行模糊推理得到增益Λ K的模糊值；4)用最大隸屬度法進(jìn)行反模糊化得到ΛΚ的真實(shí)值，即若輸出量只有一個(gè)峰值，那么取極值為精確值，若有多個(gè)峰值，則取峰值的平均值為精確值，并對(duì)K進(jìn)行更新，即K =K0+Λ K。技術(shù)方案中所述的計(jì)算丟棄概率P (k)并以丟棄概率p(k)丟棄數(shù)據(jù)包的步驟如下I)計(jì)算丟棄概率P (k):p(k) = p(k -1)十 ATWi (k)x. (k)
i=l
vv,(人)其中w' Jk)為輸入量加權(quán)系數(shù)Wi (k)的歸一化，S卩’2)最后將數(shù)據(jù)包以丟棄概率p (k)進(jìn)行丟棄。與現(xiàn)有技術(shù)相比本發(fā)明的有益效果是I.模糊神經(jīng)元方法能夠應(yīng)用于實(shí)際網(wǎng)絡(luò)中，并且能夠保持較小的隊(duì)列波動(dòng)性，達(dá)到了理想的隊(duì)列控制效果。2.模糊神經(jīng)元方法能夠?qū)㈥?duì)列長(zhǎng)度穩(wěn)定在介于O至緩存大小之間的任意值。參閱圖3，為了檢驗(yàn)?zāi)：窠?jīng)元方法的上述性能，搭建了實(shí)際網(wǎng)絡(luò)平臺(tái)，節(jié)點(diǎn)R1是編譯得到的IPCOP軟件路由器，節(jié)點(diǎn)R2是H3C硬件路由器，R1和R2之間的瓶頸鏈路大小設(shè)置為15Mbps,其他鏈路均為100Mbps,在LINUX系統(tǒng)下由Si (i=l, 2，3，4)端向D1端利用TCP協(xié)議共發(fā)送30個(gè)大小為10. 7MB的文件，路由緩存大小為600packets，隊(duì)列期望值為300packets。本發(fā)明方法的初始值設(shè)置如下模糊神經(jīng)元方法的學(xué)習(xí)速率I、1和H3分別設(shè)置為8e-5，le-6和le_7，加權(quán)系數(shù)初始值W1, W2和W3分別為2. 58392e_6，2. 98290e_6和3. 50735e-8。模糊神經(jīng)元增益的初值Ktl為O. 12。神經(jīng)元方法的初始參數(shù)設(shè)置與模糊神經(jīng)元方法相同。以上初值都是以控制領(lǐng)域?yàn)橐罁?jù)來(lái)設(shè)定的，通過(guò)實(shí)驗(yàn)大量實(shí)驗(yàn)表證明當(dāng)參數(shù)為其他值時(shí)，算法效果并不理想。將神經(jīng)元方法和模糊神經(jīng)元方法分別嵌入到IPCOP中，并應(yīng)用于圖3的網(wǎng)絡(luò)平臺(tái)中，兩種方法在實(shí)際網(wǎng)絡(luò)環(huán)境中的隊(duì)列長(zhǎng)度變化情況參考圖4和圖5，可以看出，兩種方法的隊(duì)列長(zhǎng)度都比較穩(wěn)定。兩種方法的平均隊(duì)列長(zhǎng)度和均方差參閱圖6和圖7，可以明顯出，與神經(jīng)元方法相比，模糊神經(jīng)元方法的平均隊(duì)列長(zhǎng)度更接近于期望值，且其方差較小，說(shuō)明模糊神經(jīng)元方法與神經(jīng)元方法相比，隊(duì)列長(zhǎng)度更穩(wěn)定，波動(dòng)性較小。將模糊神經(jīng)元方法的隊(duì)列期望值分別設(shè)置為50packets和500packets,該方法作用下的隊(duì)列長(zhǎng)度變換情況參考圖8和圖9，可以看出，兩種情況下的隊(duì)列長(zhǎng)度分別可以穩(wěn)定在50和500附近，說(shuō)明模糊神經(jīng)元方法可以將隊(duì)列長(zhǎng)度穩(wěn)定在O至緩存值之間的任意期望值附近(已實(shí)驗(yàn)證明)，且隊(duì)列比較穩(wěn)定，它有效地消除了隊(duì)列震蕩。從以上兩組實(shí)驗(yàn)可以得出結(jié)論模糊神經(jīng)元方法在真實(shí)的網(wǎng)絡(luò)環(huán)境下是可實(shí)現(xiàn)的，且實(shí)現(xiàn)方法無(wú)需額外的硬件成本。


下面結(jié)合附圖對(duì)本發(fā)明作進(jìn)一步的說(shuō)明圖Ι-a是X1的隸屬度函數(shù)； 圖Ι-b是X2和K的隸屬度函數(shù)；圖2是本發(fā)明所述的模糊神經(jīng)元主動(dòng)隊(duì)列管理方法在IPCOP中實(shí)現(xiàn)的方法的流程圖；圖3是本發(fā)明所述的模糊神經(jīng)元主動(dòng)隊(duì)列管理方法在IPCOP中實(shí)現(xiàn)的方法的實(shí)際網(wǎng)絡(luò)實(shí)驗(yàn)拓?fù)鋱D；圖4是本發(fā)明所述的神經(jīng)元主動(dòng)隊(duì)列管理方法在IPCOP中實(shí)現(xiàn)的方法在實(shí)際網(wǎng)絡(luò)環(huán)境下的隊(duì)列長(zhǎng)度變化；圖5是本發(fā)明所述的模糊神經(jīng)元主動(dòng)隊(duì)列管理方法在IPCOP中實(shí)現(xiàn)的方法在實(shí)際網(wǎng)絡(luò)環(huán)境下的隊(duì)列長(zhǎng)度變化；圖6是神經(jīng)元方法和模糊神經(jīng)元方法的平均隊(duì)列長(zhǎng)度比較；圖7是神經(jīng)元方法和模糊神經(jīng)元方法的隊(duì)列長(zhǎng)度的方差；圖8是期望值設(shè)置為50packetS時(shí)模糊神經(jīng)元方法的隊(duì)列長(zhǎng)度；圖9是期望值設(shè)置為500packets時(shí)模糊神經(jīng)元方法的隊(duì)列長(zhǎng)度。
具體實(shí)施例方式下面結(jié)合附圖對(duì)本發(fā)明作詳細(xì)的描述參閱圖2，本發(fā)明解決的技術(shù)問(wèn)題是將模糊神經(jīng)元方法添加到IPCOP軟件路由器中，并應(yīng)用于實(shí)際網(wǎng)絡(luò)環(huán)境中，模糊神經(jīng)元方法能夠根據(jù)期望值對(duì)隊(duì)列長(zhǎng)度進(jìn)行調(diào)整，最終使得瞬時(shí)隊(duì)列長(zhǎng)度能夠穩(wěn)定在隊(duì)列期望值附近，且隊(duì)列波動(dòng)小，本發(fā)明所述的模糊神經(jīng)元主動(dòng)隊(duì)列管理方法在IPCOP中實(shí)現(xiàn)的方法包括如下步驟I.相關(guān)參數(shù)的定義及初始化I) limit為路由器緩存大小，初始值為600packets ；2) qref為隊(duì)列長(zhǎng)度的期望值，初始值為300packet ；3)w為采樣頻率，初始值為160 ；4)q(k)為當(dāng)前時(shí)刻瞬時(shí)隊(duì)列長(zhǎng)度，q (k-1)為前一時(shí)刻瞬時(shí)隊(duì)列長(zhǎng)度,q (k_2)為前兩時(shí)刻瞬時(shí)隊(duì)列長(zhǎng)度，初始值均為O ;
5) p(k)為數(shù)據(jù)包的丟棄概率，p (k-1)為前一時(shí)刻的丟棄概率，初始值均為O ;6)e(k)為當(dāng)前隊(duì)列長(zhǎng)度與期望隊(duì)列長(zhǎng)度的誤差，e(k-l)為前一時(shí)刻的誤差，e (k-2)為前兩時(shí)刻的誤差，初始值均為O ;7) Xi (k)為神經(jīng)元的輸入量，i = 1，2，3，初始值均為O ;8) Jli為學(xué)習(xí)速率，i = 1，2，3，初始值分別為8e-5，le_6和le-7 ;9)Wi (k)為神經(jīng)元的加權(quán)系數(shù)，i = 1,2, 3，初始值分別為2. 58392e_6，2. 98290e_6和 3.50735e-8 ；10) K為神經(jīng)元增益，其初始值K。設(shè)置為O. 12。2.等待新的數(shù)據(jù)包到達(dá)。 3.采用有導(dǎo)的Hebb學(xué)習(xí)算法對(duì)神經(jīng)元加權(quán)系數(shù)動(dòng)態(tài)調(diào)節(jié)I)將q (k-1)的值賦給前兩時(shí)刻瞬時(shí)隊(duì)列長(zhǎng)度q (k_2)，將q (k)的值賦給前一時(shí)刻瞬時(shí)隊(duì)列長(zhǎng)度q(k-1)，q(k)重新采樣；2)計(jì)算神經(jīng)元方法輸入量X1 (k), X2(k), X3(k)的值X1 (k) = q (k) -qref = e (k),x2 (k) = e (k) _e (k_l),X3 (k) = e (k) _2e (k_l)+e (k_2)；3)實(shí)時(shí)計(jì)算神經(jīng)元的加權(quán)系數(shù)，采用如下公式Wi (k+1) = Wi (k) + n ^ (k) p (k) Xi (k), i=l, 2, 3 ；4)將k+1時(shí)刻的三個(gè)加權(quán)系數(shù)分別賦值給k時(shí)刻的加權(quán)系數(shù)，用于下一次計(jì)算。4.采用模糊控制方法動(dòng)態(tài)調(diào)整神經(jīng)元增益K，步驟如下I)以X1(Ii)和x2(k)作為輸入量，神經(jīng)兀增益K的變化量ΔΚ作為輸出量,參閱圖1，對(duì)輸入量^00和&00進(jìn)行模糊化，其中包括量程轉(zhuǎn)換和選取隸屬度函數(shù)兩部分，將X1 (k)和1200分別轉(zhuǎn)化到[_3，3]和[_0.3，0.3]內(nèi)，輸入輸出均選取為七個(gè)模糊狀態(tài)，分別為PB (負(fù)大)、PM(負(fù)中)、PS (負(fù)小)、Z (零)、NS (正小)、NM(正中)、NP (正大)，隸屬度函數(shù)選取為三角形函數(shù)；2)結(jié)合專家知識(shí)和經(jīng)驗(yàn)制定Λ K的模糊規(guī)則表，如表I所示，共有49條模糊規(guī)則，第一條模糊規(guī)則可以寫成If X1 is NB and X2 is NB then ΔΚ is PB其他規(guī)則與之類似；表I
權(quán)利要求
1.ー種模糊神經(jīng)元主動(dòng)隊(duì)列管理方法在IPCOP中實(shí)現(xiàn)的方法，其特征在于，所述的模糊神經(jīng)元主動(dòng)隊(duì)列管理方法在IPCOP中實(shí)現(xiàn)的方法的步驟如下 1)相關(guān)參數(shù)的定義及初始化； 2)等待新的數(shù)據(jù)包到達(dá)； 3)采用有導(dǎo)的Hebb學(xué)習(xí)算法對(duì)神經(jīng)元加權(quán)系數(shù)動(dòng)態(tài)調(diào)節(jié)； 4)采用模糊控制方法動(dòng)態(tài)調(diào)整神經(jīng)元增益K； 5)計(jì)算丟棄概率P(k)并以丟棄概率P (k)丟棄數(shù)據(jù)包。
2.按照權(quán)利要求I所述的模糊神經(jīng)元主動(dòng)隊(duì)列管理方法在IPCOP中實(shí)現(xiàn)的方法，其特征在于，所述的相關(guān)參數(shù)的定義及初始化是指 1)limit為路由器緩存大小，初始值為600paCketS ； 2)qref為隊(duì)列長(zhǎng)度的期望值，初始值為300paCket ； 3)w為采樣頻率，初始值為160 ； 4)q(k)為當(dāng)前時(shí)刻瞬時(shí)隊(duì)列長(zhǎng)度,q(k-l)為前ー時(shí)刻瞬時(shí)隊(duì)列長(zhǎng)度,q(k_2)為前兩時(shí)刻瞬時(shí)隊(duì)列長(zhǎng)度，初始值均為O ; 5)p(k)為數(shù)據(jù)包的丟棄概率，P (k-1)為前ー時(shí)刻的丟棄概率，初始值均為O ; 6)e(k)為當(dāng)前隊(duì)列長(zhǎng)度與期望隊(duì)列長(zhǎng)度的誤差，e(k-1)為前ー時(shí)刻的誤差，e(k_2)為前兩時(shí)刻的誤差，初始值均為O ; 7)Xi (k)為神經(jīng)元的輸入量，i = 1，2，3，初始值均為O ; 8)Jli為學(xué)習(xí)速率，i = 1，2，3，初始值分別為8e-5，le-6和le_7 ； 9)Wi (k)為神經(jīng)元的加權(quán)系數(shù)，i = 1,2, 3，初始值分別為2. 58392e-6，2. 98290e_6和3.50735e-8 ； 10)K為神經(jīng)元增益，其初始值Ktl設(shè)置為O. 12。
3.按照權(quán)利要求I所述的模糊神經(jīng)元主動(dòng)隊(duì)列管理方法在IPCOP中實(shí)現(xiàn)的方法，其特征在于，所述的采用有導(dǎo)的Hebb學(xué)習(xí)算法對(duì)神經(jīng)元加權(quán)系數(shù)動(dòng)態(tài)調(diào)節(jié)的步驟如下 1)將q(k-Ι)的值賦給前兩時(shí)刻瞬時(shí)隊(duì)列長(zhǎng)度q(k_2)，將q(k)的值賦給前ー時(shí)刻瞬時(shí)隊(duì)列長(zhǎng)度q (k-1)，q(k)重新采樣； 2)計(jì)算神經(jīng)元方法輸入量X1(k)，X2 (k)，X3 (k)的值 X1 (k) = q (k) -qref = e (k),x2 (k) = e(k)-e(k_l), X3 (k) = e (k) _2e (k_l)+e (k_2)； 3)實(shí)時(shí)計(jì)算神經(jīng)元的加權(quán)系數(shù) Wi (k+1) = Wi (k) + Π θ (k) p (k) Xi (k), i=l, 2, 3 ； 4)將k+1時(shí)刻的三個(gè)加權(quán)系數(shù)分別賦值給k時(shí)刻的加權(quán)系數(shù)，用于下一次計(jì)算。
4.按照權(quán)利要求I所述的模糊神經(jīng)元主動(dòng)隊(duì)列管理方法在IPCOP中實(shí)現(xiàn)的方法，其特征在于，所述的用模糊控制方法動(dòng)態(tài)調(diào)整神經(jīng)元增益K的步驟如下 I)以X1GO和x2(k)作為輸入量，神經(jīng)元增益K的變化量ΛΚ作為輸出量，對(duì)輸入量X1 (k)和X2GO進(jìn)行模糊化，其中包括量程轉(zhuǎn)換和選取隸屬度函數(shù)兩部分，將X1 (k)和X2GO分別轉(zhuǎn)化到[-3，3]和[-0.3,0. 3]內(nèi)，輸入輸出均選取為七個(gè)模糊狀態(tài)，分別為PB即負(fù)大、PM即負(fù)中、PS即負(fù)小、Z即零、NS即正小、匪即正中、NP即正大，隸屬度函數(shù)選取為三角形函數(shù)； 2)結(jié)合專家知識(shí)和經(jīng)驗(yàn)制定ΛΚ的模糊規(guī)則表，共有49條模糊規(guī)則，第一條模糊規(guī)則可以寫成If X1 is NB and x2 is NB then ΔK is PB,其他模糊規(guī)則與之類似； 3)采用Mamdani法進(jìn)行模糊推理得到増益ΛK的模糊值； 4)用最大隸屬度法進(jìn)行反模糊化得到ΛΚ的真實(shí)值，即若輸出量只有一個(gè)峰值，那么取極值為精確值，若有多個(gè)峰值，則取峰值的平均值為精確值，并對(duì)K進(jìn)行更新，即K =K0+Λ K。
5.按照權(quán)利要求I所述的模糊神經(jīng)元主動(dòng)隊(duì)列管理方法在IPCOP中實(shí)現(xiàn)的方法，其特征在于，所述的計(jì)算丟棄概率P(k)并以丟棄概率p(k)丟棄數(shù)據(jù)包的步驟如下 1)計(jì)算丟棄概率P(k)p(k) = p(k -1) + 人,"V H·(ん)λ·. (k)=1, 'V1',. (k) 其中-yル)為輸入量加權(quán)系數(shù)Wi(k)的歸ー化，g卩‘け)I; 2)最后將數(shù)據(jù)包以丟棄概率P(k)進(jìn)行丟棄。
全文摘要
本發(fā)明公開(kāi)了一種模糊神經(jīng)元主動(dòng)隊(duì)列管理方法在IPCOP中實(shí)現(xiàn)的方法，該方法步驟如下1.相關(guān)參數(shù)的定義及初始化；2.等待新的數(shù)據(jù)包到達(dá)；3采用有導(dǎo)的Hebb學(xué)習(xí)算法對(duì)神經(jīng)元加權(quán)系數(shù)動(dòng)態(tài)調(diào)節(jié)；包括對(duì)當(dāng)前時(shí)刻瞬時(shí)隊(duì)列長(zhǎng)度q(k)進(jìn)行采樣，并計(jì)算神經(jīng)元方法輸入量x1(k)，x2(k)，x3(k)的值；4.采用模糊控制方法動(dòng)態(tài)調(diào)整神經(jīng)元增益K，包括以x1(k)和x2(k)為輸入量，神經(jīng)元增益K的變化量ΔK為輸出量，對(duì)輸入量x1(k)和x2(k)進(jìn)行模糊化；5.計(jì)算丟棄概率p(k)并以丟棄概率p(k)對(duì)數(shù)據(jù)包進(jìn)行丟棄，包括計(jì)算丟棄概率p(k)，最后將數(shù)據(jù)包以丟棄概率p(k)進(jìn)行丟棄。
文檔編號(hào)H04L12/24GK102821001SQ20121034442
公開(kāi)日2012年12月12日 申請(qǐng)日期2012年9月17日 優(yōu)先權(quán)日2012年9月17日
發(fā)明者楊曉萍, 陳虹, 郝玉香, 鄭楠, 盧川, 宋春鳳, 李帥, 劉曉嬌, 姜健 申請(qǐng)人:吉林大學(xué)