一种新的主动队列管理自适应PI算法

第２１卷・　第６期　电子测量与仪器学报　ＪＯＵＲＮＡＬ　ｏＦ　ＥＬＥＣＴＲｏＮｌＣ　ＭＥＡＳＵＲＥＭＥＮＴ　ＡＮＤ　ＩＮｓＴＲＵＭＥＮＴ　Ｉｆ．２１Ⅳ０．６　１４　・　２００７年１２月　一种新的主动队列管理自适应ＰＩ算法　王明文朱清新　卿利　（电子科技大学计算机科学与工程学院，四川成都６１００５４）　摘要：为克服ＰＩ算法所存在的响应速度慢，对网络参数变化敏感的缺点，将神经网络理论引入主动队列管理的研究中，　提出一种基于单神经元的主动队列管理算法ＮＰＩ（Ｎｅｕｒｏｎ　ｂａｓｅｄ　ＰＩ）。ＮＰＩ算法将ＰＩ控制器看成是二输入的ＡＤＡＬＩＮＥ神经　元，控制器的比例系数和积分系数按照ＬＭＳ算法进行在线调整，对网络状态的变化有自学习能力，使队列长度能够快速收敛　到目标值，并增强了队列的稳定性。仿真试验结果表明ＮＰＩ算法比ＰＩ有更好的性能。　关键词：拥塞控制，主动队列管理，ＰＩ算法，神经元　中图分类号：ＴＰ３０１．６　文献标识码：Ａ　、Ｎｅｗ　Ａｄａｐｔｉｖｅ　ＰＩＡｌｇｏｒｉｔｈｍ　ｆｏｒ　Ａｃｔｉｖｅ　Ｑｕｅｕｅ　Ｍａｎａｇｅｍｅｎｔ　Ｗａｎｇ　Ｍｉｎｇｗｅｎ　Ｚｈｕ　Ｑｉｎｇｘｉｎ　Ｑｉｎｇ　Ｌｉ　（Ｓｃｈｏｏｌ　ｏｆ　Ｃｏｍｐｕｔｅｒ　Ｓｃｉｅｎｃｅ　ａｎｄ　Ｅｎｇｉｎｅｅｒｉｎｇ，Ｕｎｉｖｅｒｓｉｔｙ　ｏｆ　Ｅｌｅｃｔｒｏｎｉｃ　Ｓｃｉｅｎｃｅ　ｎｄ　ａＴｅｃｈｎｏｌｏｇｙ　ｏｆ　Ｃｈｉｎａ，Ｃｈｅｎｇｄｕ，６１００５４，Ｃｈｉｎａ）　Ａｂｓｔｒａｃｔ：ＰＩ　ｉｓ　ａ　ｆａｍｏｕｓ　ａｃｔｉｖｅ　ｑｕｅｕｅ　ｍａｎａｇｅｍｅｎｔ　ａｌｇｏｒｉｔｈｍ，ｂｕｔ　ｉｔｓ　ｒｅｓｐｏｎｓｅ　ｉｓ　ｓｌｕｇｇｉｓｈ　ｕｎｄｅｒ　ｈｅａｖｙ　ｃｏｎｇｅｓ－　ｔｉｏｎ，ａｎｄ　ｓｔａｔｉｃ　ｐａｒａｍｅｔｅｒ　ｓｅｔｔｉｎｇ　ｃａｕｓｅｓ　ＰＩ　ｓｅｎｓｉｔｉｖｅ　ｔｏ　ｔｈｅ　ｎｅｔｗｏｒｋ　ｓｔａｔｕｓ．Ｔｏ　ｏｖｅｒｃｏｍｅ　ｔｈｅ　ｓｈｏｒｔｃｏｍｉｎｇ　ｏｆ　ＰＩ　ａｔｇｏ—　ｒｉｔｈｍ，ａ　ｎｅｗ　ＡＱＭ　ｓｃｈｅｍｅ，Ｎｅｕｒｏｎ　ｂａｓｅｄ　ＰＩ，ｉｓ　ｄｅｓｃｒｉｂｅｄ　ｉｎ　ｔｈｉｓ　ｐａｐｅｒ．ＮＰＩ　ｌｏｏｋｓ　ＰＩ　ｃｏｎｔｒｏｌｌｅｒ　ａｓ　ａｎ　ＡＤＡＬＩＮＥ　ｗｉｔｈ　ｔｗｏ　ｉｎｐｕｔｓ，ａｎｄ　ｔｈｅ　ｐｒｏｐｏｒｔｉｏｎａｌ　ｆａｃｔｏｒ　ａｎｄ　ｉｎｔｅｇｒａｌ　ｆａｃｔｏｒ　ｏｆ　ｈｅ　ｃｏｎｔｔｒｏｌｌｅｒ　ａｒｅ　ａｄｊｕｓｔｅｄ　ｏｎｌｉｎｅ　ｕｓｉｎｇ　ＬＭＳ　ａｌｇｏ－　ｒｉｈｍ．ＮＰＩｔ　ｃａｎ　ｌｅａｄ　ｔｏ　ｔｈｅ　ｃｏｎｖｅｒｇｅｎｃｅ　ｏｆ　ｔｈｅ　ｑｕｅｕｅ　ｌｅｎｇｔｈ　ｔｏ　ｔｈｅ　ｄｅｓｉｒｅｄ　ｖａｌｕｅ　ｑｕｉｃｋｌｙ　ａｎｄ　ｍａｉｎｔａｉｎ　ｔｈｅ　ｏｓｃｉｌｌａｔｉｏｎ　ｓｍａｌ１．Ｔｈｅ　ｓｉｍｕｌａｔｉｏｎ　ｒｅｓｕｌｔｓ　ｓｈｏｗ　ｔｈａｔ　ＮＰＩ　ｈａｓ　ｂｅｔｔｅｒ　ｐｅｒｆｏｒｍａｎｃｅ　ｔｈａｎ　ＰＩ．　Ｋｅｙｗｏｒｄｓ：ｃｏｎｇｅｓｔｉｏｎ　ｃｏｎｔｒｏｌ，Ａｃｔｉｖｅ　Ｑｕｅｕｅ　Ｍａｎａｇｅｍｅｎｔ（ＡＱＭ），ＰＩ　ｃｏｎｔｒｏｌｌｅｒ，ｎｅｕｒｏｎ．　在ＩＰ网络中，主动队列管理（ＡＱＭ）技术被用　于缓解网络拥塞问题，提供服务质量＿１　Ｊ。ＩＥＴＦ推荐　使用ＲＥＤ（Ｒｅｄ　Ｅａｒｌｙ　Ｄｅｔｅｃｔｉｏｎ）［２ｊ作为主动队列管　件改变时，这种自适应ＡＱＭ算法仍然呈现较大振　荡。　为解决ＰＩ算法存在的这些问题，本文引入神经　网络控制理论，设计基于单神经元的有自适应能力　的主动队列管理算法，所获得的新算法称为ＮＰＩ　（Ｎｅｕｒｏｎ　ｂａｓｅｄ　ＰＩ）算法。ＮＰＩ算法使用单神经元，　理机制的实现算法。ＲＥＤ对参数的配置非常敏感，　并且存在响应速度与稳定裕度之间的矛盾。为了克　服ＲＥＤ存在的这些问题，文献［３］将ＡＱＭ设计成　ＰＩ（Ｐｒｏｐｏｒｔｉｏｎａｌ—Ｉｎｔｅｇｒａ１）控制器，但是ＰＩ算法对　通过对比例环节和积分环节加权系数的调整来实现　自适应，自学习功能。加权系数的调整采用ＬＭＳ　（Ｌｅａｓｔ　Ｍｅａｎ　Ｓｑｕａｒｅ）算法。ＮＰＩ算法解决了ＰＩ算法　不易在线实时整定参数，对网络状态变化不能及时　响应和对复杂的ＴＣＰ／ＡＱＭ系统难以有效控制等不　足。在ＮＰＩ控制下，丢弃概率不是平滑变动的，能够　砌＝－Ｉ’（Ｒｏｕｎｄ　Ｔｒｉｐ　Ｔｉｍｅ）等网络参数的变化比较敏　感；另一方面，虽然ＰＩ算法消除了“稳态误差”，实　验发现该算法也使系统的反应速度减慢　。近期　提出了许多自适应ＡＱＭ算法，包括Ａｄａｐｔｉｖｅ　ＰＩ　和　ＳＴＡＱＭ＿５　等。然而，当ＴＣＰ连接数和链路容量等条　本项目为国家“８６３”高技术研究发展计划资助项目（编号：２００５ＡＡ１　１４０３Ｏ）。　本文于２００６年１０月收到。王明文：博士生；朱清新：教授，博士生导师；卿利：博士生。　维普资讯 http://www.cqvip.com 第６期　一种新的主动队列管理自适应ＰＩ算法　・　１５　・　更好的对突发流和非响应流的干扰进行响应。　１　ＰＩ算法缺陷　设　为采样频率（Ｓａｍｐｌｉｎｇ　Ｆｒｅｑｕｅｎｃｙ），ＰＩ算法　在每一个采样周期Ｔ＝１／ｆｓ，按下式计算队列的分组　１　丢弃概率　：　Ｐ（ｎ）＝ｐ（ｎ一１）＋ａ［ｑ（ｎ）一ｑ　ｒ］一ｂ［ｑ（ｎ一１）一ｑ　］　其中，ａ和ｂ为常数，ｇ　，为队列长度调整的目标值。　根据设计准则　Ｊ，当链路容量，ＴＣＰ连接数和Ｒ１ｖｒ　等网络参数已知时，可以确定ａ和ｂ的值以使得系　统稳定。然而，由于控制系统有较大的相角裕度　（ｐｈａｓｅ　ｍａｒｇｉｎ），其响应速度比较迟缓。文献［６］　［７］分析了ＰＩ控制器的响应时间。设系统在稳定　状态下的分组丢弃概率为Ｐ　，队列容量为Ｂ，则ＰＩ　控制器的响应时间Ｒ　，的下界可由下式计算：　…７１　＞一—————　———一　一（Ｂ—ｑ　ｒ）（ａ—ｂ）　在ＰＩ算法中，上式的各参数是固定不变的，因　而其响应时间也就不能随着网络状态的变化而自行　调整。ＰＩ算法的参数固定不变的另一个缺点在于　算法对网络状态的变化比较敏感，当链路容量，ＴＣＰ　连接数，和Ｒ１ｖｒ等网络状态变化较大时，ＴＣＰ／ＰＩ系　统性能将变坏，振荡加大，甚至使得系统不稳定。　ＮＰＩ算法引入神经元，利用神经元自学习的特点，改　进了控制器对网络参数变化的适应性。当网络参数　变化时，通过神经元的在线学习，相应调整ＰＩ控制　器参数，达到自适应的目的。仿真试验结果证明，该　方法是有效的。　２　ＮＰＩ算法设计　２．１线性自适应神经元　神经元是构成神经网络的基本单位，具有自学　习和自适应能力，而且结构简单易于计算。自适应　线性神经元（ＡＤＡＬＩＮＥ，ＡＤＡｐｔｉｖｅ　Ｌｉｎｅａｒ　ＮＥｕｒｏｎ）采　用线性函数作为传输函数，学习规则为ＬＭＳ算法。　图１为一个具有Ⅳ个输入　，　…，　的自适应线　性神经元，输出为　＋ｂ　（１）　其中Ｗ　（ｉ＝１，２，…，Ⅳ）和ｂ是权值。　神经元通过对权值的调整来获得自学习能力。　图１　自适应线性神经元　ＡＤＡＬＩＮＥ神经元采用了ＬＭＳ算法作为学习规则，　这是一种近似的最速下降法。设目标函数为　Ｆ（　），其中　为权值向量。目标函数的梯度为　Ｖ　Ｆ，则ＬＭＳ算法采用下式进行神经元的学习：　（ｎ＋１）＝　（ｎ）一　Ｖ　Ｆ　（２）　其中　为学习速度。　由（１）和（２）可知ＬＭＳ算法具有自适应的特　点，因而可以很好的用于自适应控制。为了对ＰＩ算　法的ａ和ｂ参数进行在线自适应调整，我们借用　ＬＭＳ算法思想，将ＰＩ控制器看成一个简单的两输入　的ＡＤＡＬＩＮＥ神经元，通过神经元的自学习过程达　到调整ＰＩ参数的目的。　２．２　ＮＰＩ算法　离散形式的ＰＩ控制器规律可以表示为：　ｐ（ｎ）＝ｐ（ｎ一１）＋　却（　）＋　（却（　）一曲（　一１）　（３）　其中，　为比例系数，　为积分系数，却（ｎ）＝ｑ（ｎ）　一ｇ　，。比较（１）式和（３）式，有：　＝ａ—ｂ，　＝ｂ　（４）　令　ａｐ（ｎ）＝ｐ（ｎ）－ｐ（ｎ一１），　ｌ＝却（ｎ），　＝却（ｎ）一曲（ｎ一１）。　可以将ＰＩ控制器看成是输入为　和　，输出为　ａｐ（ｎ）的两输入ＡＤＡＬＩＮＥ神经元。　和　为神经　元的权值，按ＬＭＳ算法进行在线调整。单神经元自　适应ＰＩ控制结构如图２所示。　图２　单神经元自适应ＰＩ控制结构　为了使ＴＣＰ／ＡＱＭ系统获得良好性能，ＡＱＭ控　制器需要将队列长度ｑ稳定到目标值ｑ　因此，在　维普资讯 http://www.cqvip.com ・　１６　・　电子测量与仪器学报　２００７年　单神经兀ＰＩ控制器中引入二次型性能指标如Ｆ：　－，（ｎ）＝　ｇ（ｎ）一ｇ　］　（５）　因为由式（５），有　鱼　（　±　）＝鱼　（　±　２　垡　：±　２　ａ　（ｎ）　Ｏｑ（ｎ＋１）ａ　（ｎ）　＝却（　）　丽ｏｐ（ｎ）　＝却（ｎ＋１）　。　同理可得　旦吾　＝却（ｎ＋・）　ｚ旦　则　Ｖ　Ｊ（ｎ＋１）＝　设Ｊ（ｎ）的梯度为ＶＪ（ｎ），则由（２）式得到：　（ｎ＋１）＝　（ｎ）一　却（ｎ＋１）　。　岛　（６）　（　）＝Ｋｔ（　枘（川）　（７）　其中　和．，７，为学习步长。式（６）和（７）的ａｇ（ｎ＋　１）／印（ｎ）未知，我们用符号函数ｓｇｎ［Ｏｑ（ｎ＋１）／Ｏｐ　（ｎ）］来代替。产生的误差可通过调整学习速率来　修正。　为了使ＴＣＰ／ＡＱＭ系统稳定，式（６）和（７）调整　权值时必须要使性能指标收敛，下面的定理保证了　系统的收敛性。　定理１：设队列容量为Ｂ，目标队列长度为ｇ　，　由式（３），（６）和（７）决定的ＡＱＭ算法中，如果　和　满足　。＜　≤　２　而㈩　０＜　ｔ　，　１　丽ｎＬｑ　Ｌ　一ｇ　　一１，Ｊｎ丽　ｆ　（９）　则目标函数（５）必收敛。　证明：令　ＡＪ（ｎ＋１）＝－，（ｎ＋１）一－，（ｎ）　＝÷［（ｅ，ｑ（ｎ＋１））　一（却（ｎ））　］　Ａｑ（ｎ＋１）＝却（ｎ＋１）一却（ｎ）　由微分中值定理及式（６）有　△ｇ（ｎ＋１）＝宣　（ｎ）　＝一　却（ｎ＋１）［　］　于是　ＡＪ（ｎ＋１）＝÷［（土　ｌ＾　晖喜Ｉ土　　＼、　●●　●●／　却（ｎ）＋Ａｑ（ｎ＋１））　一（却（ｎ））　］　＝　ｇ（ｎ＋１）［２６ｑ（ｎ）＋Ａｑ（ｎ＋１）］　＝丢　［却（ｎ＋１）　］　［一２＋　（　为了保证目标函数收敛，必须满足△－，（ｎ＋１）＜０，即　有　＿２＋　（　＜０　再由式（６）并代入符号函数，得到　０＜ｆｌｙ＜２／（　）２＝２／　训　同理可得　０＜．，７，＜２／（　）　＝２／［ｑ（ｎ）一ｑ（ｎ－１）］　所以，当式（８）和（９）成立时，上面两式必成立，　从而目标函数收敛。　由（８）和（９）显然有　０＜ｆｌｙ．ｒｈ＜－－　Ｒｙ　（１ｏ）　在实际的配置中，可以将　和．，７，都设置为　２／Ｂ　。但是为了获得更好的控制效果，由于　ｍａｘ　Ｅ　ｑ　，（Ｂ—ｑｒ，ｆ）　］＞　ｍａ　ｘ｛ｍａｘＥｑ￣ｆ２，（　）　一ｑｒｅｆ）　］ｔ　ｍａＸ［ｑｒ￣２，（Ｂ—ｇ　）　］＞　ｎｌａｘ－２．｛［ｇ（ｎ）一ｑ（ｎ一１）］　ｔ　…可取　和．，７，为２／［ｍａｘ（ｇ　，Ｂ—ｇ　）］２　ｏ进一步，　如果考虑到ＡＱＭ控制器的目标是要将队列长度稳　定的控制在ｇ　在实际应用中，在稳定状态下，队列　长度的振幅平方不会超过ｍｉｎ［ｇ　，（Ｂ—ｇ　）　］，因　此取．，７，为２／ｍｉｎ［ｑ　，（Ｂ—ｇ　）　］。　为了使算法快速稳定，权值　和　的初始值　的设定很关键。考虑到ＰＩ算法有良好的稳定性能，　我们通过式（４）来设置　和Ｋ，的初始值，参数口和　ｂ按照ＰＩ算法的设计准则确定，取样频率同ＰＩ算　维普资讯 http://www.cqvip.com 第６期　一种新的主动队列管理自适应ＰＩ算法　・　１７　・　法。因此，由ＰＩ算法的稳定性和定理１可知ＮＰＩ算　法是稳定的。试验表明ＮＰＩ算法比ＰＩ算法有更好　的稳定性和快速的响应性。　为了使ＮＰＩ有更好的灵活性，我们给神经元增　加一个比例系数ｋ，则（３）式变为：　Ｐ（ｎ）＝ｐ（ｎ一１）＋ｋ［　酗（ｎ）＋Ｋｌ（酗（ｎ）　一６ｑ（ｎ一１）］　（１１）　对ｋ设置不同的值可以控制权值　和　的调　整幅度，从而控制丢弃概率Ｐ（ｎ）的变化幅度。试验　表明增加ｋ值可以提高ＮＰＩ的响应速度，但是过大　的ｋ值会带来分组丢弃率的增加，使队列长度ｑ过　低，从而降低链路吞吐量（ｔｈｒｏｕｇｈｐｕｔ）。我们的推荐　值为１　ｋ－－＜４。　３仿真试验　下面我们用仿真试验来研究ＮＰＩ算法性能。采　用ＮＳ一２网络仿真平台，网络的拓扑结构如图３所　示，具有单瓶颈链路。业务源分为ＦｒＰ，ＵＤＰ和ＨＴ—　ＴＰ三种，在不同的试验中启动相应的业务源组合，　双向传输时延为２００ｍｓ。节点Ａ的队列为ＰＩ，队列　容量为４００ｐａｃｋｅｔｓ，目标队列长度为１７５ｐａｃｋｅｔｓ，分　组大小为５００ｂｙｔｅｓ。以下试验均持续２００ｓ。　ＴｃＰ｛　ＵＤＰ｛　图３仿真网络拓扑结构　试验１．网络重负载下ＮＰＩ算法性能　当网络负载较重时，ＡＱＭ需要将队列长度快速　的控制到目标值。考虑１０００个持久ＴＣＰ／Ｒｅｎｏ连　接，窗口大小为１０００ｐａｃｋｅｔｓ，使用ｆｆｐ业务源，所有　连接在０．１Ｓ时同时启动。按照ＰＩ设计规则　，相　应的系数配置为：　ａ＝１．８８８７７３９３ｅ一００６．ｂ＝１．８６９９８０１６ｅ一００６　取样频率为２９６Ｈｚ。　ＮＰＩ算法中，　和　的初始值按照式（４）设　置。为了考察ＮＰＩ的控制能力与式（１１）中比列系　数ｋ的关系，分别取ｋ的值为２和４。根据定理１，　学习步长　设置为　～ｍａｘ［—ｑ２，（Ｂ—－—ｑ￣ｆ）２］　２　２　５２＝３・９５０６ｅ一５　ｒ￣　ｔ而将＇７，设置为　丽　意　・５３０６ｅ　ｅ　２００　ｊ　、　０　时间（秒）　图４试验１．ＰＩ的时变队列长度　图４是配置ＰＩ算法的试验结果，响应速度非常　迟缓，在试验开始近１００ｓ的时间内保持满队列。而　ＮＰＩ算法的响应速度则明显快于ＰＩ算法（图５），当　ｋ＝２满队列时间仅为５０ｓ，当ｋ＝４满队列时间缩小　到２５ｓ左右，大大改善了ＰＩ算法的性能。ＮＰＩ算法　可以将丢弃概率尽快调整到其稳定值（图６，图７），　从而使队列长度ｑ快速的控制到目标值ｑ　在ＮＰＩ　算法下，丢弃概率的调整更能适应网络状态的变化。　互　三　％　、　２００　０　Ｉ　Ｉ　：　Ｉ　互　１ｊ　三　暑　、　，　；　・　１　０　０　１００　时间ｆ秒）　（Ｉ　）　图５　试验１．ＮＰＩ的时变队列长度，　（ａ）ｋ＝２；（ｂ）ｋ＝４　维普资讯 http://www.cqvip.com

・　１８　・　电子测量与仪器学报　２００７年　０．２　瓣　＼　Ｏ　Ｏ　１００　时间（秒）　图６试验１．ＰＩ的时变丢包概率　僻　＼　图７试验１．ＮＰＩ的时变丢包概率，ｋ＝４　试验２．非响应ＵＤＰ流和ＴＣＰ短连接干扰下　ＮＰＩ算法性能在实际的Ｉｎｔｅｒｎｅｔ连接中，通常包含大　量的ＴＣＰ短连接，以及非响应ＵＤＰ流。ＰＩ算法是　基于ＴＣＰ／ｑｕｅｕｅ系统建立的控制器，因此非响应　ＵＤＰ流和ＴＣＰ短连接的干扰将影响ＰＩ控制器的性　能。为了使模拟流量更接近网络的实际流量，我们　在试验中使用ＦＴＰ。ＨｒｒｒＰ和ＵＤＰ的混合业务流。　使用２００个ＴＣＰ持久连接和２００个ＨＴｒＰ会话。试　验开始时启动５０个ＵＤＰ流，使用ＣＢＲ业务源，然　后在３０ｓ停止所有的ＵＤＰ流。在ＰＩ算法的控制下，　队列保持长时间的满队列，而在ＵＤＰ连接停止时变　为空队列（图８）。ＮＰＩ算法性能有明显的改善，满　队列时间远远短于ＰＩ算法（图９）。而且能够快速　的将队列长度稳定到目标值。　∞　．　２００　Ｏ　Ｏ　１００　２００　时间（秒）　图８试验２．ＰＩ的时变队列长度　４００　２００　毯　Ｏ　时间（秒）　图９试验２．ＮＰＩ的时变队列长度ｋ＝４　４　结　论　主动队列管理是近期网络技术研究的热点。针　对ＰＩ控制器所存在的响应速度慢的缺点，本文引入　神经网络理论对该算法进行改进。所得到的ＮＰＩ算　法动态调整比例和积分系数，对网络状态的改变有　自适应能力，同时保持了计算简单快速的特点。我　们给出了一组仿真试验结果，表明ＮＰＩ算法在响应　性和稳定性上优于ＰＩ算法，能够更好的适应网络状　态的变化。　参考文献：　［１］　Ｒ　Ｒｙｕ，Ｄ　Ｃｈｅｎｅｙ，Ｈ　Ｗ　Ｂｒａｕｎ．Ｉｎｔｅｒｎｅｔ　ｆｌｏｗ　ｃｈａｒａｃｔｅｒ－　ｉｚａｔｉｏｎ：Ａｄａｐｔｉｖｅ　ｔｉｍｅｏｕｔ　ｓｔｒａｔｅｇｙ　ａｎｄ　ｓｔａｔｉｓｔｉｃａｌ　ｍｏｄｅｌｉｎｇ　［Ｃ］．Ｉｎ：Ｐｒｏｃｅｅｄｉｎｇｓ　ｏｆ　ｐａｓｓｉｖｅ　ａｎｄ　ａｃｔｉｖｅ　ｍｅａｓｕｒｅｍｅｎｔ　ｗｏｒｋｓｈｏｐ，Ａｍｓｔｅｒｄａｍ，Ｎｅｔｈｅｒｌａｎｄｓ，２００１：９４—１０５．　［２］　Ｓ　Ｆｌｏｙｄ，Ｖ　Ｊａｃｏｂｓｏｎ．Ｒａｎｄｏｍ　ｅａｒｌｙ　ｄｅｔｅｃｔｉｏｎ　ｇａｔｅｗａｙｓ　ｆｏｒ　ｃｏｎｇｅｓｔｉｏｎ　ａｖｏｉｄａｎｃｅ［Ｊ］．ＩＥＥＥ／ＡＣＭ　Ｔｒｎａｓ　ｏｎ　Ｎｅｔ—　ｗｏｒｋｉｎｇ，１９９３，１（４）：３９７—４１３．　［３］Ｃ　Ｖ　Ｈｏｌｌｏｔ，Ｖ　Ｍｉｓｒａ，Ｄ　Ｔｏｗｓｌｅｙ，Ｗ　Ｂ　Ｇｏｎｇ．Ｏｎ　ｄｅｓｉｇ—　ｎｉｎｇ　ｉｍｐｒｏｖｅｄ　ｃｏｎｔｒｏｌｌｅｒｓ　ｏｆｒ　ＡＱＭ　ｒｏｕｔｅｒｓ　ｓｕｐｐｏｒｉｔｎｇ　ＴＣＰ　ｌｆｏｗｓ［Ｃ］．Ｉｎ　Ｐｒｏｃｅｅｄｉｎｇ　ｏｆ　ＩＮＦＯＣＯＭ　２００１：１７２６—　１７３４．　［４］Ｈｏｎｇ，Ｙ，Ｙａｎｇ，Ｏ　Ｗ　Ｗ．Ｄｅｓｉｇｎ　ｏｆ　ｎａ　ａｄａｐｔｉｖｅ　ＰＩ　ｒａｔｅ　ｃｏｎｔｒｏｌｌｅｒ　ｆｏｒ　ｓｔｒｅａｍｉｎｇ　ｍｅｄｉａ　ｔｒａｆｆｉｃ　ｂａｓｅｄ　ｏｎ　ｇａｉｎ　ａｎｄ　ｐｈａｓｅ　ｍａｒｇｉｎｓ［Ｃ］．ＩＥＥ　Ｐｒｏｃｅｅｄｉｎｇｓ　ｏｆ　Ｃｏｍｍｕｎｉｃａ—　ｔｉｏｎｓ，２００６：５—１４．　［５］Ｈ　Ｚｈａｎｇ，Ｃ　Ｈｏｌｌｏｔ，Ｄ　Ｔｏｗｓｌｅｙ，Ｖ　Ｍｉｓｒａ．Ａ　ｓｅｌｆ—ｔｕｎｉｎｇ　ｓｔｒｕｃｔｕｒｅ　ｆｏｒ　ａｄａｐｔａｔｉｏｎ　ｉｎ　ＴＣＰ／ＡＱＭ　ｎｅｔｗｏｒｋｓ［Ｃ］．　ＩＥＥＥ　ＧＬＯＢＥＣＯＭ　２００３：３６４１—３６４６．　［６］　Ｌｉ，Ｙ．，Ｋｏ，Ｋ　，Ｃｈｅｎ，Ｇ．Ｒ．．Ｔｒｎａｓｉｅｎｔ　ｂｅｈａｖｉｏｕｒ　０ｆ　ＰＩ—ｃｏｎｔｏｒｌｌｅｄ　ＡＱＭ［Ｊ］．Ｅｌｅｃｔｒｏｎｉｃｓ　Ｌｅｔｔｅｒｓ．２００６．　４２（８）：４９４—４９５．　（下转第３５页）　维普资讯 http://www.cqvip.com

第６期　三维激光扫描测量系统标定方法研究　・　３５　・　ｌａｙａ，Ｒ．Ａｌａｍｕｓ，ａｎｄ　Ｅ．Ｂｏｓｃｈ，Ｉｎｔｅｇｒａｔｉｏｎ　ｏｆ　ａ　［２］　Ｊ．ＴａＴｅｒｒｅｓｔｒｉａｌ　Ｌａｓｅｒ　Ｓｃａｎｎｅｒ　ｗｉｔｈ　ＧＰＳ／ＩＭＵ　Ｏｒｉｅｎｔａｔｉｏｎ　Ｓｅｎ　［７］　丁振良．误差理论及数据处理［Ｍ］．哈尔滨：哈尔滨　工业大学出版社，１９８７．　ｓｏｔｓ［Ｃ］．ＩＳＰＲＳ　Ｉｓｔａｎｂｕｌ　Ｔｕｒｋｅｙ，２００４，７：１２—２３．　ｄ　Ａ．Ｆｏｒｓｙｔｈ　ａｎｄ　Ｊｅａｎ　Ｆｏｒｓｙｔｈ，计算机视觉——一　［３］　Ｄａｖｉ作者简介：　种现代方法［Ｍ］．北京：电子工业出版社，２００４．　［４］　Ｑｕｒｂａｎ　Ｍｅｍｏｎｙ，Ｓｏｈａｉｂ　Ｋｈａｎｚ，Ｃａｍｅｒａ　ｃａｌｉｂｒａｔｉｏｎ　ａｎｄ　ｔｈｒｅｅ．．ｄｉｍｅｎｓｉｏｎａｌ　ｗｏｒｌｄ　ｒｅｃｏｎｓｔｒｕｃｔｉｏｎ　ｏｆ　ｓｔｅｒｅｏ．．ｖｉｓｉｏｎ　Ｕ．．　余祖俊：男，１９６８年出生于湖北宜　昌。现为北京交通大学机电学院教授，　主要研究方向为测控技术。　ｓｉｎｇ　ｎｅｕｒａｌ　ｎｅｔｗｏｒｋｓ，Ｉｎｔｅｒｎａｔｉｏｎａｌ　Ｊｏｕｒｎａｌ　ｏｆ　Ｓｙｓｔｅｍｓ　Ｓｃｉｅｎｃｅ［Ｊ］．２００１，３２（９）：１１５５—１１５９．　［５］　宣雷，徐建华．摄像机参数的测定方法与参数估计　［Ｊ］．模式识别与人工智能，１９９３，６（１）：６７—７０．　［６］　邓正隆．惯性技术［Ｍ］．哈尔滨：哈尔滨工业大学出　版社，２００６．　（上接第１８页）　ｅｎ　Ｆ　Ｙ，Ｌｉｎ　Ｃ，Ｙｉｎｇ　Ｘ　Ｈ，Ｓｈａｎ　Ｘ　Ｍ，Ｗａｎｇ　Ｆ　Ｂ．Ａ作；　Ｒｏｂｕｓｔ　Ａｃｔｉｖｅ　Ｑｕｅｕｅ　Ｍａｎａｇｅｍｅｎｔ　Ａｌｇｏｒｉｔｈｍ　Ｂａｓｅｄ　ｏｎＳｌｉｄｉｎｇ　Ｍｏｄｅ　Ｖａｒｉａｂｌｅ　Ｓｔｕｃｔｒｕｒｅ　Ｃｏｎｔｒｏｌ［Ｃ］．ＩＥＥＥ　ＩＮＦ－　ＣＯＭ，２００２：１３—２０．　震豳　　　ｉ（上接第２１页）　５２（１０）：４４８１—４４９６　［４］　Ｍａｃｋａｙ　Ｄ　Ｊ　Ｃ，Ｐｏｓｔｏｌ　Ｍ　Ｓ．Ｗｅａｋｎｅｓｓ　ｏｆ　Ｍａｒｇｕｌｉｓ　ａｎｄ　Ｒａｍａｎｕｊａｎ—Ｍａｒｇｕｌｉｓ　ｌｏｗ　ｄｅｎｓｉｔｙ　ｐａｒｉｔｙ—ｃｈｅｃｋ　ｃｏｄｅｓ［Ｊ］．　Ｅｌｅｃｔｒｏｎｉｃ　Ｎｏｔｅｓ　ｉｎ　Ｔｈｅｏｒｅｔｉｃａｌ　Ｃｏｍｐｕｔｅｒ　Ｓｃｉｅｎｃｅ，２００３，　７４：１—８．　作者简介：　［５］　Ｖａｒｎｉｃａ　Ｎ．Ｉｔｅｒａｔｉｖｅｌｙ　ｄｅｃｏｄａｂｌｅ　ｃｏｄｅｓ　ｆｏｒ　ｍｅｍｏｒｙｌｅｓｓ　ａｎｄ　ｉｎｔｅｒｓｙｍｂｏｌ　ｉｎｔｅｒｆｅｒｅｎｃｅ　ｃｈａｎｎｅｌｓ『Ｄ］．Ｐｈ．ｄ　Ｔｈｅｓｉｓ．　Ｃａｍｂｒｉｄｇｅ，Ｍａｓｓａｃｈｕｓｅｕｓ，２００５：１０９—１４２．　缪德山：男，１９７８年出生，北京邮电　大学博士研究生，主要研究方向为宽带移　动通信，信息论及编码。　［６］　Ｍ－Ｒ　Ｓａｄｅｇｈｉ，Ａ　Ｈ．Ｂａｎｉｈａｓｈｅｍｉ，ａｎｄ　Ｄ　Ｐａｎａｒｉｏ．Ｌｏｗ－　ｄｅｎｓｉｔｙ　ｐａｒｉｔｙ　ｃｈｅｃｋ　ａｎｄ　ｌａｔｔｉｃｅ：Ｃｏｎｓｔｒｕｃｔｉｏｎｓ　ａｎｄ　Ｄｅ－ｃｏｄｉｎｇ　ａｎａｌｙｓｉｓ［Ｊ］．ＩＥＥＥ　Ｔｒａｎｓ　Ｉｎｆｏｒｍ　Ｔｈｅｏｒｙ，２００６，