Implementation of neural network-based nonlinear adaptive model predictive control over a service-oriented computer network

Akpan, Vincent A.; Σαμαράς, Ιωακείμ Κ.; Hassapis, George

doi:10.1109/acc.2010.5530982

Cited by 3 publications

(13 citation statements)

References 6 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…(2) , +48.7% ( 2) +61% (3) , +81% (4) +28.3% (1) (5) , +48.5% (2) (5) , +12.6% (1) (6) , +4.3% (2) (6) +96.7% * (1)…”

Section: μετρήσεις κατά τη διάρκεια του 'Description' µοτίβου αλληλεπίδρασηςmentioning

confidence: 99%

“…, -77% (1) , +8.2% * (2) , +2.7% (2) -4.5% (3) , -21.2% (4) -20.1% (4) -21.5% (1) , -7,4% (2) +88.4% * ( 1) , -76.2% (1) , -2% * (2) , -12.0% (2) -65.6 % (3) , -42.2% (4) +88.5% (1) (5) , +2% (2) (5) , -17.2% (1) (6) , -16.6% (2) (6) -63.8% * (1)…”

Section: μέγιστη καθυστέρηση µετάδοσηςmentioning

confidence: 99%

“…(2) , -10.5 % (2) -21% (3) , -28.4% (4) -25.8% (4) -18.5% (1) , -18.4% (2) +1.9% * (1) , -18.3 % (1) , +4.1% *…”

Section: μέγιστη καθυστέρηση µετάδοσηςmentioning

confidence: 99%

“…(2) , -18.3 % (2) -36.8 % (3) , -37.8% (4) -26% (1) (5) , -25.4% (2) (5) , -22.5% (1) (6) , -23.2% (2) (6) -52.5 % * (1)…”

Section: μέγιστη καθυστέρηση µετάδοσηςunclassified

“…(5) , +8.6 % (2) (5) , -23.6% * (1) (6) , +31.7% (1) (6) , -18.7% * (2) (6) , +37.6% (2) (6) +2.8% (3) (5) , +99% (4) (5) , +71% (3) (6) , +73.6% ( 4) (6) Normalized system throughput +3% (1) , +3.3% (2) -23.5% * (1) , -27% (1) -22.7% *…”

Section: μέγιστη καθυστέρηση µετάδοσηςmentioning

confidence: 99%

See 4 more Smart Citations

Ασύρματα Δίκτυα Αισθητήρων Που Υποστηρίζουν Αρχιτεκτονικές Υπηρεσιών Ιστού

Σαμαράς¹

View full text Add to dashboard Cite

Σκοπός της παρούσας διδακτορικής διατριβής ήταν η σχεδίαση-υλοποίηση, προσομοίωση και μοντελοποίηση ασύρματων δικτύων αισθητήρων (ΑΔΑ) που βασίζονται στην αρχιτεκτονική IPv6 over low power wireless personal area networks (6LoWPAN) και υποστηρίζουν υπηρεσίες ιστού (web services) όπως επίσης και η υλοποίηση καινούριων τέτοιων υπηρεσιών καταλληλότερων για εφαρμογή στα προαναφερθέντα ΑΔΑ. Λόγω της έλλειψης που παρατηρείται στην παροχή εργαλείων για την εκπλήρωση του παραπάνω στόχου, αναπτύχθηκε ένα πειραματικό ΑΔΑ και ένα εργαλείο προσομοιωτικών μετρήσεων της επίδρασης των υπηρεσιών ιστού σε 6LoWPAN ΑΔΑ καθώς επίσης και ένα μαθηματικό μοντέλο για την μελέτη του πρωτοκόλλου ελέγχου προσπέλασης στο μέσο μετάδοσης (MAC) αυτών των δικτύων. Το προτεινόμενο MAC πρωτόκολλο για την 6LoWPAN αρχιτεκτονική είναι o χωρίς σχισμή (unslotted) CSMA/CA μηχανισμός του ΙΕΕΕ 802.15.4 προτύπου. Στα πλαίσια της παρούσας διδακτορικής διατριβής υλοποιήθηκε μια καινούρια στοίβα πρωτοκόλλων για υπηρεσίες ιστού η οποία ονομάστηκε Tiny service oriented architecture for wireless sensors (SOAWS). Το Tiny SOAWS προσφέρει μειωμένη κατανάλωση μνήμης, μειωμένο χρόνο εκτέλεσης καθώς επίσης και μειωμένα μεγέθη ανταλλασσόμενων μηνυμάτων σε σχέση με το πρότυπο device profile for web services (DPWS) το οποίο δημιουργήθηκε για την απευθείας ενσωμάτωση των υπηρεσιών ιστού σε συσκευές. Επίσης, το Tiny SOAWS υποστηρίζει την δημιουργία υπηρεσιών ιστού πάνω σε ασύρματους αισθητήρες που έχουν την ίδια σημασιολογία με τις αντίστοιχες υπηρεσίες ιστού του DPWS. Εκτός τούτου, υποστηρίζει μία καινούρια φόρμα μηνυμάτων, η οποία στηρίζεται στην extensible markup language (XML) όπως και η φόρμα μηνυμάτων του DPWS. Τα Tiny SOAWS και DPWS υλοποιήθηκαν πάνω σε πραγματικούς ασύρματους αισθητήρες και συγκρίθηκαν μεταξύ τους χρησιμοποιώντας το αναπτυχθέν πειραματικό ΑΔΑ το οποίο είναι αποτελεί ένα πραγματικό 6LoWPAN ΑΔΑ με τον μέγιστο αριθμό των ασύρματων αισθητήρων του να είναι 12. Με σκοπό την επικύρωση των παραπάνω μετρήσεων, την επέκτασή τους σε μεγαλύτερης κλίμακας ΑΔΑ καθώς επίσης και τη σύγκρισης των 2 προαναφερθέντων στοιβών πρωτοκόλλων με ένα DPWS βασισμένο σε δυαδική κωδικοποίηση (binary-based DPWS), χρησιμοποιήθηκε το αναπτυχθέν εργαλείο προσομοίωσης το οποίο υλοποιήθηκε στον προσομοιωτή network simulator (NS)-2. Επιβεβαιώθηκε η ορθή λειτουργία του πειραματικού ΑΔΑ και του εργαλείου προσομοίωσης συγκρίνοντας τις μετρήσεις του ενός με τις μετρήσεις του άλλου. Το γεγονός αυτό επιτρέπει τη χρήση τους για την αξιολόγηση και σχεδίαση 6LoWPAN ΑΔΑ που υποστηρίζουν υπηρεσίες ιστού. Επιπλέον, η σύγκριση έδειξε ότι το Tiny SOAWS υπερτερεί του DPWS. Ωστόσο, το binary-based DPWS αποτελεί την καλύτερη επιλογή. Παρόλα αυτά, η εφαρμογή του περιορίζεται σε ασύρματους αισθητήρες με συγκεκριμένο λογισμικό καθώς το σύνολο των κανόνων της XML στο οποίο στηρίζονται οι υπηρεσίες ιστού για να προσφέρουν διαλειτουργικότητα στο επίπεδο εφαρμογής δεν χρησιμοποιείται πλέον. Τέλος, οι προβλέψεις του αναπτυχθέντος μαθηματικού μοντέλου για τον unslotted μηχανισμό του MAC υπο-επιπέδου του ΙΕΕΕ 802.15.4 προτύπου συγκρίθηκαν με μετρήσεις από τον NS-2 και βρέθηκε ότι αποκλίνουν ελάχιστα. Ως εκ τούτου, μπορεί να χρησιμοποιηθεί ως εργαλείο αξιολόγησης της σχεδίασης ΑΔΑ τα οποία μπορούν μετέπειτα να υποστηρίξουν την 6LoWPAN αρχιτεκτονική καθώς επίσης και υπηρεσίες ιστού.

show abstract

“…(2) , +48.7% ( 2) +61% (3) , +81% (4) +28.3% (1) (5) , +48.5% (2) (5) , +12.6% (1) (6) , +4.3% (2) (6) +96.7% * (1)…”

Section: μετρήσεις κατά τη διάρκεια του 'Description' µοτίβου αλληλεπίδρασηςmentioning

confidence: 99%

Section: μέγιστη καθυστέρηση µετάδοσηςmentioning

confidence: 99%

“…(2) , -10.5 % (2) -21% (3) , -28.4% (4) -25.8% (4) -18.5% (1) , -18.4% (2) +1.9% * (1) , -18.3 % (1) , +4.1% *…”

Section: μέγιστη καθυστέρηση µετάδοσηςmentioning

confidence: 99%

“…(2) , -18.3 % (2) -36.8 % (3) , -37.8% (4) -26% (1) (5) , -25.4% (2) (5) , -22.5% (1) (6) , -23.2% (2) (6) -52.5 % * (1)…”

Section: μέγιστη καθυστέρηση µετάδοσηςunclassified

Section: μέγιστη καθυστέρηση µετάδοσηςmentioning

confidence: 99%

See 3 more Smart Citations

Ασύρματα Δίκτυα Αισθητήρων Που Υποστηρίζουν Αρχιτεκτονικές Υπηρεσιών Ιστού

Σαμαράς¹

View full text Add to dashboard Cite

show abstract

Optimal Model Predictive Control for Path Tracking of Autonomous Vehicle

Li¹,

Jia²,

Cheng³

et al. 2011

2011 Third International Conference on Measuring Technology and Mechatronics Automation

View full text Add to dashboard Cite

Development of new model-based adaptive predictive control algorithms and their implementation on real-time embedded systems

Akpan¹

View full text Add to dashboard Cite

This dissertation deals with the development of two new neural network-based model identification algorithms and two new model predictive control (MPC) algorithms which are combined to form model-based adaptive control strategies. Also, two new computer platforms for the implementation of these algorithms and their corresponding strategies are proposed. The overall strategies consist of an online model identification part and a model-based predictive control part. The proposed algorithms for the model identification are practically two new algorithms for training a dynamic feedforward neural network (DFNN) which will be considered to comprise the model of a nonlinear dynamic system. The proposed training algorithms are: the adaptive recursive least squares (ARLS) algorithm and the modified Levenberg-Marquardt algorithm (MLMA). The proposed algorithms for the predictive control parts are: the adaptive generalized predictive control (AGPC) and the nonlinear adaptive model predictive control (NAMPC). The two real-time platforms for the implementation of the combined operation of identification and predictive control algorithms with the purpose of forming an adaptive control strategy are: a service-oriented architecture (SOA) cluster network based on the device profile for web services (DPWS) and a Xilinx's Virtex-5 FPGA (field programmable gate array) development board.The proposed control strategies have been applied to control three applications, namely: the fluidized bed furnace reactor (FBFR) of the steam deactivation unit (SDU) used for preparing catalyst for evaluation in a fluid catalytic cracking (FCC) pilot plant; an activated sludge wastewater treatment plant (AS-WWTP) in accordance with the European wastewater treatment standards; and the auto-pilot control unit of a nonlinear F-16 fighter aircraft. The neural network models for these three applications were validated using one-step, five-step and tenstep ahead prediction simulations as well as with the Akaike's final prediction error (AFPE) estimate algorithm.Also, the performances of the proposed ARLS and MLMA algorithms were compared with the backprogation with momentum (BPM) and incremental backpropagation (INCBP) algorithms. Also the performances of the PID control of the identified model of the FBFR process by means of the ARLS and the MLMA network training algorithms versus the PID control of the first principles model of the same process.The AGPC and NAMPC control of the considered applications when model identification is performed by the ARLS and MLMA algorithms were implemented on a conventional mulitcore personal computer (PC) and SOA cluster of muticore PCs. Hardware-in-the-loop simulations have been performed by linking the PC or SOA implementations with MATLAB simulations of the processes. An AGPC implementation with neural networks trained using the MLMA algorithm has been made on a Xilinx Virtex-5 FPGA.The hardware-in-the-loop simulations have shown that the proposed algorithms and their SOA or FPGA implementations can have execution time...

show abstract

Implementation of neural network-based nonlinear adaptive model predictive control over a service-oriented computer network

Cited by 3 publications

References 6 publications

Ασύρματα Δίκτυα Αισθητήρων Που Υποστηρίζουν Αρχιτεκτονικές Υπηρεσιών Ιστού

Ασύρματα Δίκτυα Αισθητήρων Που Υποστηρίζουν Αρχιτεκτονικές Υπηρεσιών Ιστού

Optimal Model Predictive Control for Path Tracking of Autonomous Vehicle

Development of new model-based adaptive predictive control algorithms and their implementation on real-time embedded systems

Contact Info

Product

Resources

About