30、SDL实时任务:概念、实现与评估

SDL实时任务:概念、实现与评估

1. 控制系统中实时任务的评估

在这部分内容里,我们将展示SDL任务实现的实验结果。为了评估其影响,我们把任务调度策略与SDL实现的标准调度器以及SDL进程优先级调度器进行了对比。

实验场景是对一个连接到控制器局域网(CAN)总线且搭载自适应巡航控制(ACC)系统的网络节点进行评估,这是汽车领域的一个实际场景。ACC是一种增强型巡航控制系统,旨在抵抗诸如当前坡度或空气阻力等干扰变量,保持参考速度。与简单的巡航控制不同,它使用雷达传感器检测汽车前方障碍物的距离。根据障碍物的速度和距离,会调整参考速度以保持最小安全距离,或者启动紧急制动。我们实现的ACC采用了比例 - 积分 - 微分(PID)控制器,以最小化期望速度和实际速度之间的差异。

ACC的抽象调度如图3所示,它每隔20毫秒周期性地计算新的控制量,并通过CAN总线发送到发动机控制单元。图中用 $d_{controller}$ 表示计算控制值并将其传输到CAN控制器所需的时间。为了确保控制器正常运行,控制值必须按时计算和传输,延迟要低,并且参考速度和实际速度的传感器值必须考虑到系统的处理延迟,按时到达PID控制器。图中用 $d_{sensors}$ 表示系统中的传感器延迟,即CAN控制器接收到最后一个传感器值到PID控制器进程更新这些值之间的时间。由于这个延迟可能会变化,因此在调度中必须考虑最大传感器延迟 $d_{sensorsMax}$。如果传感器值尽可能新,也就是生成传感器值的节点的处理延迟、通信延迟和 $d_{sensors}$ 小且几乎恒定,使得周期性控制任务前的 $d_{sensorsMax}$ 较小,就能实现最佳的控制质量。除了周期性的速度值,节点还会接收零星的雷达消息,用于通过修正

【电能质量扰动】基于ML和DWT的电能质量扰动分类方法研究(Matlab实现)内容概要:本文研究了一种基于机器学习(ML)和离散小波变换(DWT)的电能质量扰动分类方法,并提供了Matlab实现方案。首先利用DWT对电能质量信号进行多尺度分解,提取信号的时频域特征,有效捕捉电压暂降、暂升、中断、谐波、闪变等常见扰动的关键信息;随后结合机器学习分类器(如SVM、BP神经网络等)对提取的特征进行训练分类,实现对不同类型扰动的自动识别准确区分。该方法充分发挥DWT在信号去噪特征提取方面的优势,结合ML强大的模式识别能力,提升了分类精度鲁棒性,具有较强的实用价值。; 适合人群:电气工程、自动化、电力系统及其自动化等相关专业的研究生、科研人员及从事电能质量监测分析的工程技术人员;具备一定的信号处理基础和Matlab编程能力者更佳。; 使用场景及目标:①应用于智能电网中的电能质量在线监测系统,实现扰动类型的自动识别;②作为高校或科研机构在信号处理、模式识别、电力系统分析等课程的教学案例或科研实验平台;③目标是提高电能质量扰动分类的准确性效率,为后续的电能治理设备保护提供决策依据。; 阅读建议:建议读者结合Matlab代码深入理解DWT的实现过程特征提取步骤,重点关注小波基选择、分解层数设定及特征向量构造对分类性能的影响,并尝试对比不同机器学习模型的分类效果,以全面掌握该方法的核心技术要点。
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符  | 博主筛选后可见
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值