动态反馈教学法（通用7篇）
动态反馈教学法 篇1
随着大学本科教学改革的快速推进,越来越多的学术通识课被增加,使得以往的非电专业本科生基础课程如《电工电子学》授课时间大幅度减小,而讲授内容多并且难度较高,另外自从2011年我校大类招生后分流的学生基础参差不齐,这给《电工电子学》的教学带来了巨大困难,如何利用有限的教学时间提高教学质量和培养学生水平是一个挑战性问题。为此,借鉴自动控制理论中的实时反馈控制思想,提出一种快速动态反馈教学方法,并将其应用到我校《电工电子学》实践教学中,取得了初步实效,达到了教学目标。
1 选课学生基础分析
我校实行大类招生,在大学一年级学生按照由学生入学时的高考成绩、第一学年绩点、个人综合表现三部分组成的综合成绩进行分流,综合成绩越高,学生自主选择专业的权利越大,然后本科生会根据专业志愿被分流到不同学院的不同专业,如材料科学与工程学院、计算机工程与科学学院、环境与化学工程学院等,每个学院不同专业的学生基础不一样如钱伟长学院的学生成绩普遍绩点较高、基础较好等,并且来自不同省市的学生基础也不一样,如浙江省的生源基础普遍较好等,这就使得选《电工电子学》的本科学生基础参差不齐,这给教学带来巨大的难度。
2 教学效果实时检测
2.1 课堂测试
在《电工电子学》每章授课完成后,为了实时了解学生掌握知识的程度,精选一些代表性的题目,利用上课时间进行课堂小测试,如三极管放大、截止和饱和区判断及每种情况下的特性,集成运算放大器及在信号处理中的应用等,要求学生在课堂中独立完成,然后通过对测试结果进行分析,能够真实地掌握学生的学习情况和教学效果。
2.2 课堂提问
在课堂教学中,对关键知识点,采用提问方式,一方面使同学们聚焦重要知识,如晶体管的微变等效电路、电子电路中的负反馈、触发器及时序逻辑电路等,另一方面可实时了解同学们对重要知识的掌握程度。根据同学们的回答情况,对关键的知识点,进行强调,使同学们尽可能地掌握这些重要的知识。
2.3 课后作业
在每堂课授课后,对关键知识点如放大电路中的静态分析、动态分析中的微变等效电路计算、组合逻辑电路的分析与综合、时序逻辑电路中的计数器设计等,布置一定数量的课后作业,使同学们更深一步地理解和掌握知识,批改同学作业,根据同学们的作业情况,及时了解同学们对关键知识点的掌握程度。
3 动态调整措施
3.1 教学进度动态调整
根据课堂测试、课堂提问以及课后作业实时检测教学效果,实时判断同学们掌握关键知识点情况,同时结合选课学生基础情况,在兼顾大多数同学情况下,动态调整教学进度,同时对成绩较好同学,安排自学内容以进一步提高其学习能力和水平,针对进度落后的同学,进一步安排课后辅导。
3.2 课后答疑
针对《电工电子学》课程,每周安排2个课时专门的答疑时间,同时晚上也安排一定时间进行答疑辅导,可以解决成绩较好同学自学知识中的疑难问题,大部分同学的作业以及课堂中的疑难问题,尤其针对跟不上进度的同学,特别加强辅导,使同学们及时赶上进度,从而使不同层次的同学都有提高。
4 实践结果分析
针对2013-2014、2014-2015以及2015-2016连续三年冬季学期同学,采用快速动态反馈教学法进行授课,最后采用闭卷考试进行学期考核。采用填空、选择和综合计算题进行测试,并且易题占30%、中难题占50%和难题20%,三年学生成绩如图1和表1所示,从图1中可以发现:2013-2014年同学成绩大部分集中到60-69分和70-79分;2014-2015年同学成绩集中到70-79分和80-89分之间;然而,2015-2016年大于90分的同学从2013年的约3%提高到的约31%,80-90分之间的同学从2013年的约8%提高到约35%。从表1中可以看出,学生平均绩点从2013-2014年的1.59,到2014-2015年的2.50以及2015-2016年的3.20,这三年学生成绩逐年明显提高,这表明随着教学方法日益成熟,学生成绩大幅度提高,本文所提教学方法效果越来越显著。
5 结论
本文考虑非电专业本科生基础课程《电工电子学》教与学中存在授课时间少、讲授内容多及学生基础参差不齐等问题,提出一种快速动态反馈教学方法。在具体教学实践中,首先对选课学生基础进行分析,然后根据课堂测试、课堂提问以及课后作业实时检测教学效果,进而对教学进度进行动态调整,最后针对上海大学近三年《电工电子学》的教学实践结果进行统计分析,验证了教学方法的有效性。
摘要：针对非电专业本科生基础课程《电工电子学》教与学中存在授课时间少、讲授内容多及学生基础参差不齐等问题,本文提出一种快速动态反馈教学方法。首先对选课学生基础进行分析,然后通过教学效果实时检测手段评价教学效果,进而对教学进度进行动态调整,最后针对上海大学近三年《电工电子学》的教学实践结果,表明该教学方法的有效性。
关键词：动态反馈教学法,电工电子学
参考文献
[1]钟玉海,王守恒,朱家存.高等教育学[M].合肥:合肥工业大学出版社,2009(8):145-149.
[2]陈亮,周孟然.浅谈非电专业电工电子课程改革教学与实践[J].科技视界,2015,22:45,294.
[3]宋杨.电工电子学教学改革创新实践[J].科技视界,2015,30:160.
[4]邬冬华,褚全忠,张金仓.宽口径、大理科通才教育模式探索与实践[J].上海大学学报(高教科学管理版),2008(1).
浅论动态反馈负载均衡算法 篇2
负载均衡是一个服务器集群, 它是由多台服务器以对称的方式组成的, 每台服务器都有等价的地位, 不需要其他服务器的辅助, 因为它们都可以单独的对外提供服务。均衡负载能够平均分配客户请求到服务器集群, 以此提供快速获取重要数据, 解决大量并发访问服务问题。
目前负载均衡的分类可以从以下几面来分:
首先, 根据调节策略的不同, 可以分为静态负载均衡和动态负载均衡两类:
(1) 静态负载均衡。静态负载均衡预先根据已知负载的情况分配网络负载, 这种策略的优点是不会产生额外的开销[1]。 (2) 动态负载均衡。系统根据网络中的负载情况动态的调度服务器提供服务, 但在动态调度时对任务的分配管理会造成额外的系统开销。
其次, 根据调节手段的不同, 可以分为以下两类:
(1) 软件方案。软件解决方案是将负载均衡软件直接安装到服务器上。网络管理员可以对服务器进行高度管理, 如分析CPU、内存等系统资源的使用情况。由于传输流不必经过额外的设备, 因此在理论上可以节省费用、提高性能。 (2) 硬件方案。通过提供额外的硬件来实现负载均衡, 如提供具有负载能力的路由器、交换机。
再次, 根据调节对象的不同, 可以分为以下四类:
(1) 服务器的负载均衡。通过监视所有的用户请求, 并在可用的服务器群之间进行智能化的负荷分配, 从而可以提供容错、冗余、优化和可扩展性能。 (2) 高速缓存服务器的负载均衡。提供优化的Internet访问和存储资源使用率, 同时, 也使整个服务器集群的性能得以最大程度的发挥。 (3) 防火墙的负载均衡。防火墙的负载均衡通过有效地管理多个防火墙和其他安全设备上的流量。监视客户的数量和每个防火墙上的负载, 并在各单元之间动态地平均分配流量, 同时还可兼顾呼入和呼出的流量。 (4) 链路的负载均衡。链路的负载均衡是一种基于内容的交通管理解决方案, 适用于具有多个链路的网络[2]。
2 动态反馈的负载均衡的现状
2.1 负载均衡产品的巨大应用领域
伴随着计算机进入以网络为中心的计算技术新时代, 电信系统、电子政务、电子商务、网络邮件、网络视频等各种基于网络的服务业得到了飞速发展。随着人们对于网络服务的需求不断增加, 企业关键服务的访问量也在迅速增长。网络服务的持续在线和更迅速响应时间的要求, 加强了企业对能提供7×24小时不间断、高质量网络服务的信息基础设施的需求, 网络应用优化设备将成为继网络连接设备、网络交互设备、网络完全设备之后的网络信息化建设的必备设备。
2.2 负载均衡产品的庞大市场需求
负载均衡集群系统一直被业界看好, 据IDC最新报告, 随着基础网络的完善和应用的增多, 亚太地区 (不包括日本) 的企业正在增加在内容管理软件上的支出, 负载均衡集群系统市场有望因此得到很大的增长幅度。IDC新近报告指出亚太地区 (不包括日本) 内容管理软件市场有望从2003年的1.0942亿美元增长至2008年的2.1938亿美元, 5年的复合年增长率达到14.9%。这主要是受到金融和政府部门推动, 前者试图降低成本, 提高客户服务水平, 后者的主要目标是降低成本, 提高效率, 以便为人们提供更好的服务。IDC预测中国内地流量市场5年复合年增长率达20.2%, 并认为需求将越来越多地来自竞争同益加剧的银行业, 此外还包括通过政府门户网站向公众提供及时更新的信息, 以及部署Web内容管理软件解决方案等。从2004年第四季度到2005年第一季度, 世界范团内的负载平衡设备出货量增长10%, 为1.1万部, 销售额增长5%, 达到1.75亿美元。2003年3季度F5的国内营业额为1300万美元, 估计其年营、世额为5000万美元左右, 按其60%的市场占有率计算, 2003年此类产品的国内市场容量为8000万美元, 即6.5亿人民币左右[3]。
3 动态反馈的负载均衡算法
动态调度策略主要有两种:集中式调度策略和分布式调度策略。通过把原来集中式调度由中心节点收集所有节点信息的工作, 改由各节点自适应的收集, 根据自身状态主动传给调度中心就可以实现。这样中心调度节点只需根据当前已有的各节点发来的负载信息来进行决策调度, 不必再去主动收集各节点机的信息, 降低了由于负载信息收集增加的额外通信开销, 减轻了调度节点负担。
集中式调度中不可能每次请求到来时查询各节点负载情况, 可以每隔一段时间进行一次负载信息的查询、计算。同样, 分布式反馈中也可以每隔一段时间由各节点根据自己的性能和负载状态计算出一个值, 返回给负载均衡器。负载均衡器根据一定算法给出每个节点的可用度权值w, 把新到达作业分配给可用度最高的节点。由于每次的负载状态信息的反馈都会有一个时间片段, 如果在这个时间内到达多个请求均简单地分配给一个节点, 则可能会造成这一节点的过载。因此还必须由负载均衡器根据一定算法评估当前服务节点的真实负载, 这就要考虑服务器节点各项性能参数, 包括静态参数 (如:CPU频率, 内存容量, 系统I/O速率, 网络带宽等) 和动态参数 (如:CPU占用率, 内存使用率, 系统I/0使用率及网络带宽占用率等) , 并且要考虑某时段内各种动态参数的改变情况, 综合分析, 给出一个合理、简便的算法, 确定各服务节点权值, 达到负载均衡的目的。
3.1 动态反馈机制
集群系统运行一段时间之后, 各服务节点的实际负载状况会与调度器上记录的负载量产生一定的偏移。因此, 需要通过周期性的负载信息查询来修正调度器上的记录。这种“查询—修正。任务分配—查询”称为动态反馈机制。由于动态反馈机制需要额外的系统开销, 所以对于每一个新来到的服务请求来说, 我们不可能部去进行一次负载信息查询, 而只能在每个r时间间隔作一次节点负载信息查询。每次负载信息查询得到的是每个服务节点上的各项信息, 例如CUP占用率L (Ci) 、磁盘I/O占用率L (Di) 、内存占用率L (Mi) 、网络带宽占用率L (Ni) 、进程数量占用率L (Pi) [4]。
3.2 服务节点处理能力计算
我们在进行负载均衡计算时, 如果服务节点是异构的, 则不仅要考虑节点的负载量, 而且也必须要考虑到节点的处理能力。这样做的好处是能让处理能力高的节点承担更多的任务。对于节点Si的处理能力C (Si) , 主要从这几个指标考虑:CPU数量m、CPU类型、内存容量C (Mi) 、磁盘I/0速率C (Di) 、网络吞吐量C (Ni) 、最大进程数量C (Pi) 。
总之随着信息技术的发展, 特别是Web技术的发展, 对网络上的服务器提出了越来越高的要求, 越来越多的瓶颈会出现在服务器端。集群技术是实现高性能服务的一种有效途径。服务器集群负载均衡应用成倍提高了服务器应用的可用性、可伸缩性和可靠性, 扩展了服务器带宽和吞吐量, 加强了网络数据的处理能力, 提高了网络的灵活性和可用性。
摘要：随着我国Internet的迅速发展, 几乎户户有主机, 人们对服务器的性能要求也越来越高, 目前很多系统状态都是采用动态反馈负载均衡算法。在此旨是浅谈动态反馈负载均衡算法的应用。
关键词：负载均衡,动态反馈,算法
参考文献
[1]李拮, 金春慧, 何荣希.一种实现负载均衡的波长选路算法[J].东北大学学报, 2005, 26 (2) :118-121.
[2]王友良, 叶柏龙.分布式系统中动态负载平衡的研究[J].科学技术与工程, 2005:572-575.
[3]付国为, 刘心松, 冯玮.基于负反馈的网络负载调度算法[J].成都信息工程学院学报, 2006, 21 (6) :779-782.
动态反馈教学法 篇3
在人脸图像识别中, 基于K - L变换 ( PCA) 的Eigenface识别方法[1,2,3,4]和基于Fisher鉴别准则 ( LDA) 的Fisherface人脸识别方法[5,6,7,8]是应用最为广泛的2种线性特征抽取方法。此后, 众多的学者[9,10,11,12]提出了大量的改进方法来提高PCA和LDA的普遍性和稳定性。尽管这些方法已经验证了它们的优越性, 但是当人脸图像复杂变化时, 它们的分类精度和适应能力仍旧是不足的。主要受到以下2个原因的限制:
①LDA和它的改进算法的训练过程都是使2个散布矩阵的迹比最优化, 这是分离的方法。但是最好的分离不是最好的分类。验证得, 只有当训练集中的样本满足有相等协方差的高斯分布时, 得到的投影矩阵才是最优的。然而, 人脸图像样本的概率分布很少满足这样一个高要求。所以, 由此产生的结果不总是最优的。
②在传统的PCA方法中, 投影矩阵的构建 ( 也可以说是协方差矩阵的构建) 是静态的。尽管大量方法被提出来优化协方差矩阵, 然而大多数只是利用了重要信息中的一部分, 不能有效地获得样本分布的特征。为了充分利用有用的信息, 一种合适的动态反馈的方法是有必要的。
首先利用PCA算法对人脸图像向量进行降维得到投影矩阵, 然后反复地优化子空间, 通过利用先前每一步的反馈信息, 得到权值向量, 加权协方差矩阵, 优化投影矩阵。最后采用加权LDA算法训练生成一个使类间离散度最大、类内离散度最小的最佳分类器。这个过程通过逐渐地增加和加强重要的数据补充信息, 实现了从“最好的分离模型”到“最好的分类模型”的转变, 从而提高人脸图像的识别率。
1 加权 PCA
PCA是最流行的线性特征抽取方法, 又叫K - L变换, 是在最小均方意义下寻找最能代表原始图像特征的投影方向, 从而达到对特征空间降维的目的。以训练样本集的总体散布矩阵作为产生矩阵, 即为协方差矩阵Ω,
式中, xi为第i个训练样本的图像向量;为训练样本集的平均图像向量;, N为训练样本的总数。
加权PCA ( WPCA) 是指用加权协方差矩阵来优化PCA算法中的协方差矩阵Ω:
式中, w为第i个样本图像的权函数。
2 加权 LDA
LDA算法的目的就是从其高维空间中识别提取出最具有鉴别能力的低维特征, 找到一个投影矩阵W, 使得在低维空间里的不同类别的样本尽可能分散, 同时每个类别内部的样本尽量密集, 投影矩阵W定义为类内散布矩阵Sw和类间散布矩阵Sb的迹比。
式中, N为样本总数; ni为第i类的训练样本数; xij 为第i类第j个样本; ui为第i类的样本均值向量; u为所有训练样本的均值向量。
加权LDA ( WLDA) 是指用加权类间散布矩阵优化LDA算法中的类间散布矩阵Sb:
式中,
且erf ( x) 表示x的错误函数, dij为第i类均值和第j类均值之间的马氏距离, 。此时的投影矩阵W就为类内散布矩阵Sw和加权类间散布矩阵的迹比:
由于LDA在分类时加入了以样本均值之间的距离为参数的权函数, 使得类间离散度最大化, 类内离散度最小化, 实现从“最好的分离”到“最好的分类”的转变。
3 动态反馈过程
利用PCA算法对人脸图像向量进行降维得到投影矩阵, 然后反复地优化子空间, 通过利用先前每一步的反馈信息, 更新投影误差, 得到权值向量, 加权协方差矩阵, 优化投影矩阵。
在PCA过程中, 投影误差为:
式中, 为第i类的样本均值向量; 最优投影矩阵U = [u1, u2, …, u d], 其中每个ui为样本协方差矩阵Ω的第i大特征值所对应的特征向量。
在反馈过程中, 为了更好地利用样本的有用信息, 引入了权函数wij:
此时样本均值为。还有为投影误差的均值。这样权函数wij则由投影误差εij ( i =1, 2, …c, j =1, 2, …m) 决定。
接着加权协方差矩阵, 更新投影矩阵:
式中, c为样本类别数; m为每类别中的样本数; xij为第i类第j个样本的图像向量; 为训练样本集的平均图像向量
4 算法实现
具体算法的实现步骤如下:
①利用PCA降维得到协方差矩阵Ω和投影矩阵U, 并计算投影误差ε。
②初始化: 设置初始权重wij= 1 ( i = 1, 2…c; j =1, 2…m) 。
③动态反馈求解:
for k = 1, 2…, L, do
通过式 ( 10) 计算投影 误差
按照式 ( 9) 更新权重式中,
根据式 ( 11) 更新加权协方差矩阵, 计算投影矩阵, 返回;
输出最优投影矩阵U = Uk。
④将原始的图像数据X投影到WPCA降维形成的子空间U中, Y = UTX。
⑤采用加权LDA进一步提取分类特征, 最后采用分类器进行分类。
5 实验结果分析
实验中首先采用PCA降维得到投影矩阵, 然后通过动态反馈不断调整协方差加权系数W, 即不断优化投影矩阵, 得到最优特征子空间, 然后采用WL- DA方法进一步提取分类特征, 最后用分类器分类, 分别在ORL和YALE人脸库上进行试验。
5. 1 ORL 人脸库
ORL人脸库由40人、每人10幅92×112的像素图像组成, 其中所有图像均是在相同的黑色背景下采集的正面图像。图1是人脸库中某人的10幅图像, 包括不同情况的面部表情和脸部细节。
实验中选取2种样本组合 ( 对每人而言) : 前面5幅训练, 后面5幅测试; 后面5幅训练, 前面5幅测试。将这2种样本组合测得的结果等概率相加后得到最终的结果。最后采用最小距离法和最近邻法2种测量方法。测试结果如图2和图3所示, 可以看出, 在ORL人脸库上的实验结果中, 无论选择最小距离还是最近邻测量, DFWPCA + WLDA的识别精度都显著超过了PCA + LDA和WPCA + WLDA。
5. 2 YALE 人脸库
YALE人脸库 ( 小型库) 由15人、每人11幅80×100的像素图像组成。每人的不同图像有较大的光照变化和表情变化。YALE人脸库中的某人的11幅图像如图4所示。
同样地, 实验中选取2种样本组合 ( 对每人而言) : 前面5幅训练, 后面5幅测试; 后面5幅训练, 前面5幅测试。将这2种样本组合测得的结果等概率相加后得到最终的结果。最后采用最小距离法和最近邻法两种测量方法。在YALE库上的实验结果如图5和图6所示, 由图可知, DFWPCA + WLDA具有最佳识别率。
6 结束语
提出了一种基于动态反馈的融合加权PCA和加权LDA的人脸识别方法, 能够很好地利用样本的有用信息, 不断地反馈更新加权协方差矩阵, 从而得到最优的特征子空间。同时, 权函数W使得在LDA中更好地提取分类特征, 实现“最好的分离”到“最好的分类”的转变。另外, 该方法无论采用最小距离还是最近邻方法, 在识别精度上都明显优于WP- CA + WLDA和PCA + LDA, 通过在ORL和YALE人脸库上的实验证明了该算法的有效性。
摘要：提出了一种基于动态反馈的融合加权主成分分析 (WPCA) 和加权线性判别分析 (WLDA) 的人脸识别方法 (DFWPCA+WLDA) 。该方法首先进行主成分分析 (PCA) 降维得到投影矩阵, 然后通过不断的反馈信息得到权值, 从而加权协方差矩阵, 优化投影矩阵, 最后采用加权线性鉴别分析 (LDA) 进一步提取分类特征。动态反馈能很好地利用样本的有用信息, 加权LDA还能做到更好的分类。在ORL和YALE人脸库上的实验表明, 该方法有效且性能优于PCA+LDA和WPCA+WLDA。
关键词：动态反馈,WPCA,WLDA,权值,人脸识别
参考文献
[1]WENDY S Y.Analysis of PCA-based and Fisher Discriminant-based Image Recognition Algorithms[R].Colorado State University:Computer Science Technical Report, 2000.
[2]KIRBY M, SIROVICH L.Application of the Karhunen-loeve Procedure for the Characteri-zation of Human Faces[J].IEEE Transaction on Pattern Analysis and Machine Intelligence, 1990, 12 (1) :103-108.
[3]TURK M, PENTLAND A.Eigenfaces for Recognition[J].Journal of Cognitive Neuroscience, 1991, 3 (1) :72-85.
[4]BLACK M J.Eigentracking:Robust and Tracking of Articulated Objects Using a View-based Representation[C]∥European Conference on Computer Vision, 1998.
[5]BELHUMENR P N, HESPANHA J P, KRIEGMAN D J, et al.Fisherfaces:Recognition Using Class Specific Linear Projection[J].IEEE Transactions on Pattern Analysis and Machine Intelligence, 1997, 19 (7) :711-720.
[6]DUDA R O, HART P E, STORK D G.Pattern Classification[M].John Wiley and Sons, Inc, 2001.
[7]LIU C, WECHSLER H.Enhanced Fisher Linear Discriminant Models for Face Recognition[C]∥International Conference on Pattern Recognition, 1998.
[8]PRICE J R, GEE T F.Face Recognition Using Direct, Weighted Linear Discriminant Analysis and Modular Subspaces[J].Pattern Recognition, 2005, 38 (2) :209-219.
[9]YU H, YANG J.A Direct Lda Algorithm for High-dimensional Data with Application to Face Recognition[J].Pattern Recognition, 2001, 34 (10) :2 067-2 070.
[10]XU L, YUILLE A L.Robust Principal Component Analysis by Self-organizing Rules Based on Statistical Physics Approach[J].IEEE Transactions on Neural Network, 1995, 6 (1) :1 243-1 246.
[11]LIU W, LIN D, TANG X.Hallucinating Faces:Tensorpatch Superresolution and Coupled Residue Compensation[C]∥IEEE Computer Society Conference on Computer Vision and Pattern Recognition, 2005.
动态反馈教学法 篇4
互联网技术的快速发展伴随着网络用户的迅速增加, 不断给网络服务器的性能带来越发巨大的挑战。集群服务器系统因其具有扩展性好、可用性和性价比高的特点, 已经受到学术界和工业界的广泛关注[1]。各种商业的或非商业的集群系统相继出现。其中由国防科技大学的章文嵩博士发起的LVS集群系统[2], 因其开放性及出色的性能在全球范围内得到大量应用[3]。
集群服务器系统通常由前端服务器 (任务调度机) 与后端真实服务器池组成[4]。前端服务器是客户访问集群服务器的唯一入口, 通过特定的调度算法将收到的客户请求数据包分配给内部的真实服务器。选择一个良好的调度算法以保证内部真实服务器负载的均衡性, 避免出现个别服务器的偏载甚至过载, 同时保证调度的执行效率, 对于集群系统至关重要。调度算法的优劣直接影响了系统性能的好坏[5]。事实上, 负载均衡调度属于并行系统调度的一个特例, 而并行系统的调度问题是NP难解的, 因此无法在合理的时间内找到最优解[5]。目前的负载均衡调度算法多是启发式的, 不同的算法在不同环境下表现差异很大。如何找到一个尽可能优异的算法是目前学术界的一个研究热点。自集群技术出现至今, 已有多种算法被相继提出。以LVS集群为例, 目前常用的面向同构集群 (各服务器提供相同的服务集) 的基本调度算法主要有[5]:轮转调度 (Round-Robin Scheduling) 、加权轮转调度 (Weighted Round-Robin Scheduling) 、最小连接调度 (Least-Connection Scheduling) 和加权最小连接调度 (Weighted Least-Connection Scheduling) 。这几种算法都属于静态算法, 均不考虑各服务器的当前负载。此外, 还有文献[6]提出的动态反馈负载均衡算法 (Dynamic-feedback load balancing) , 在调度时考虑各服务器实时的负载状况, 属于动态算法。
这些算法都是在内核中实现的, 其调度粒度都是面向连接的。本文将针对上述的5种算法分别作出分析, 并在此基础上给出一种新的调度算法—基于优先级队列的动态反馈负载均衡调度算法。
1 LVS集群负载均衡调度算法概述与分析
所谓负载均衡调度, 包含两层含义:一是调度, 即将收到的用户访问请求分配给内部的真实服务器, 由其作出应答;二是负载均衡, 即在进行调度时要尽力保证各个真实服务器不出现过载。
一个负载均衡调度算法的优劣主要从两方面来评价:一是调度的负载均衡性, 即保持各服务器负载均衡的能力。由于用户请求的服务时间变化很大, 集群在运行过程中很容易出现负载的不平衡现象。对这一问题处理不好, 将很容易导致用户的连接请求延迟甚至无法得到应答。二是调度的执行效率。前端服务器 (即负载调度器) 作为集群系统的唯一入口, 其CPU资源是非常宝贵的, 特别是对于VS/NAT型的集群, 前端服务器还要处理对系统所有数据包的转发。如果算法的执行效率不够高, 将很容易使负载调度器成为整个系统的性能瓶颈。
对上文提到的5种负载均衡调度算法简要分析如下:
(1) 简单轮转调度。简单轮转调度算法就是以轮转的方式将客户连接请求分配给各真实服务器[5]。这种算法实现最为简单, 且算法的时间复杂度为O (1) 。但该算法不区分各真实服务器的性能差异, 也不考虑各服务器的当前状态。当各真实服务器性能差异较大, 并且当请求服务时间变化较大时, 这种算法有可能导致各服务器间负载的严重不均衡。
(2) 加权轮转调度。运用这种算法, 需要由系统管理员根据各内部真实服务器的性能设置一个静态的权值, 然后算法以轮转的方式选择出一个合适的真实服务器, 并保证各服务器所收到的连接请求数正比于其权值[5]。这种算法的时间复杂度为O (n) , 其中, n代表系统的规模, 即真实服务器的数量。这种算法考虑了服务器间的性能差异, 负载均衡能力强于简单轮转调度, 但却仍然忽略了各服务器的当前状态, 并且时间复杂度较高, 当系统规模较大时, 可能会带来较高的调度延时, 增大系统开销以致降低影响系统性能。
(3) 最小连接调度。调度器记录各真实服务器的连接数, 算法执行时以轮转的方式查找连接数最小的服务器并为其调度当前请求[5]。类似于轮转调度, 该调度也没有考虑各服务器的性能差异, 并且时间复杂度也是O (n) 。
(4) 加权最小连接调度。类似于加权轮转调度, 由系统管理员为每个服务器根据其性能设定一静态的权值。该算法在调度新连接时尽可能使服务器的当前连接数与其权值成比例。该算法的负载均衡能力要优于前三种算法, 但是时间复杂度也为O (n) 。
(5) 动态反馈负载均衡调度。这一算法会根据服务器的实时负载, 动态地调整各服务器的权值。在此基础上, 调度采用加权轮转调度或者加权最小连接调度。研究表明, 基于动态反馈的调度算法在表现上优于其他算法。但是由于调度采用的是加权轮转调度或者加权最小连接调度, 算法的时间复杂度仍为O (n) 。因此当系统规模较大时, 算法也会带来较高的系统开销。
可见, 以上5种算法中, 除简单轮转调度算法外, 其他4种算法的时间复杂度都是O (n) 。然而, 有研究表明, 简单轮转调度算法的综合性能最差, 而动态反馈负载均衡算法优于现有的其他不考虑服务器动态负载的算法。本文所提出的负载调度算法将基于现有的动态反馈负载调度算法并结合加权轮转调度, 通过加入优先级队列使算法的时间复杂度降至O (1) 以达到更优异的性能表现。
2 基于优先级队列的动态反馈负载均衡调度算法
动态反馈负载均衡算法考虑了各服务器的动态负载状况, 使其获得了更好的性能。本文所提出的算法吸收了这一优势, 并通过建立优先级调度队列, 使得算法的时间复杂度降至O (1) 。
2.1 动态反馈
文中, 动态反馈的含义是指各真实服务器动态反馈给负载调度器的负载信息。这些负载信息是通过一个专门的守护进程Monitor Daemon进行收集的。其工作环境如图1所示。
由图1所可知, Monitor Daemon周期性 (周期T为5~20秒) 地对各真实服务器进行轮询以采集其负载信息。所采集的负载信息包括CPU利用率、内存可用量、进程数和服务响应延时。
除了动态反馈得到的负载, 还可以在调度程序内统计两次轮询期间各服务器所收到的连接请求数。
2.2 动态权值的计算
接下来, 将通过这些动态的负载信息计算出一个动态负载权值wd。最终的权值为原权值与动态负载权值的和。
考虑一组服务器S={S0, S1, S2, …, Sn-1｝, 以向量LOADi= (CONNECTIONi, CPUi, MEMORYi, PROCESSi, RE-SPONSEi) 表示服务器Si的负载。其中, CONNECTIONi表示服务器Si在两次轮询期间所收到的连接数Ni与各服务器收到的连接数平均值的比值, 其公式为:
CPUi的计算公式为:
其中, RATEi表示服务器Si的CPU利用率。
MEMORYi的计算公式为:
其中, AVAILABLE_MEMORYi表示Si的可用内存大小。
PROCESSi和RESPONSEi的计算方法也类似于CON-NECTIONi, 公式直接列出如下:
现在, 引入负载权值向量WEIGHTi= (1-CONNECTI-ONi, 1-CPUi, MEMORYi-1, 1-PROCESSi, 1-RESPONSEi) 。该向量的各个维度表征了相应负载对动态负载权值的贡献。
由于各类负载对服务器的影响程度是不同的, 且不同种类的服务也有其特点, 因此再引入权值系数向量R= (Rcon, Rcpu, Rmem, Rproc, Rresp) , 且有关系Rcon+Rcpu+Rmem+Rproc+Rresp=1。该向量可由系统管理员根据实际情况动态地设定。例如R= (0.1, 0.4, 0.1, 0.1, 0.3) 。服务器Si的动态负载权值wdi计算公式如下:
最终的动态权值为:
即, 每个周期T内根据采集到的服务器负载信息对权值做一次调整, 如果某服务器出现偏载 (负载高于平均水平) , 权值就会被削弱, 否则被提高。其中, λ为负载权值系数, 也可由系统管理员动态设定。在最初服务器被加入集群时, 系统管理员为其设定一个初始权值DEFAULT_WEIGHTi (当服务器Si不可用时, DEFAULT_WEIGHTi为零, 该服务器不接受调度) 。
为避免动态权值变得很大, 将wi的取值区间限定为[max (1, DE FAULT_WEIGHTi/4) , DE FAULT_W EIG-H T*4]。
2.3 优先级调度队列
根据新采集的负载信息算出新的动态权值之后, 将根据新权值建立优先级调度队列。
假定服务器Si的调度信息存储在数据结构SERVER中, 定义下列数据结构作为调度队列的节点:
令[ci=10*wi]作为负载调度的参考权值, 同时作为调度队列的优先级。可按照下列过程建立优先级调度队列:
(1) 定义数组QUEUE_HEAD hv[MAX[ci]], 并将各元素c字段初始化为数组下标值, first和next字段初始化为NULL。
(2) 定义数组QUEUE_NODE nodes[n]。依次扫描服务器调度信息表, 将nodes[i]的c字段初始化为ci, server字段初始化为指向Si的调度信息数据结构。如果DE-FAULT_WEIGHTi>0, 则将nodes[i]插入到hv[ci]指向的调度队列中。重复第 (2) 步直至扫描完Sn-1。
(3) 扫描数组hv, 将其中建立起的调度队列头部组织为一个链表, 该链表的表头为具有最高c值即最高优先级的调度队列头。
假设有一组真实服务器S=邀S0, S1, …, S8妖, 在某一时刻其动态权值向量为W= (3.5, 1.8, 4.7, 2.3, 1.8, 2.3, 1.8, 3.5, 2.6) , 则按照上述过程建立起来的优先级调度队列如图2所示。
2.4 调度算法
定义优先级调度队列头链表的头指针为h, 指针p指向上次选择的服务器, 对其初始化为h->first。调度算法描述伪代码如下。
为降低开销, 各节点的内存都是静态分配并存放在数组中, 不需要动态地申请或释放。分析以上算法, 很容易得出其时间复杂度为O (1) 。
随着算法的执行, 高优先级的调度队列会不断降级, 直至与其下一级队列优先级相等并与其合并。这样, 最终各优先级队列将合并为一个大的调度队列。当优先级降级至0时, 算法返回NULL。此时将恢复原来的优先级队列 (可通过创建一份整个优先级队列的拷贝实现, 此时调度时间会有一个小峰值, 称之为毛刺现象) 。在一个这样的过程中, 服务器Si所得到的连接请求数与其动态权值是成正比的。这一点可以通过以下的分析证明:
在每个优先级队列内, 调度是通过轮转进行的。每当完成一次轮转, 队列内各服务器被调度一次, 且队列降级一次。因此参考权值为ci的服务器参与的降级次数为ci次, 从而其得到的连接请求数Ni也为ci。而ci与wi成正比, 故Ni与ci成正比。这样就保证了算法的负载均衡能力。
此外, 当下一次Monitor Daemon负载采集发生时, 调度队列将被重建。在重建完成后 (而非完成前) 替换原来的优先级队列。这句话的涵义在于, 在重建优先级调度队列的过程中, 调度程序仍可继续进行。这是因为内核中的负载调度进程具有更高的进程优先级。
3 结束语
调度算法的选择, 对集群系统的性能起着至关重要的作用。本文分析了现有通用集群负载均衡调度算法的优缺点, 并在此基础上提出了一种新的调度算法, 即基于优先级队列的动态反馈负载均衡调度算法。该算法采用动态反馈机制以达到尽可能高的负载均衡效果, 并且具有O (1) 的时间复杂度, 因而使其同时具有较以往调度算法更高的执行效率。这有助于提高集群系统的吞吐率, 增强其性能。
参考文献
[1]SCHROEDER T, GODDARD S, RAMAMURTHY B.Scalab-le Web server clustering technologies[J].IEEE Network, 20-00, 14 (3) :38-45.
[2]ZHANG Wensong, JIN Shiyao, WU Quanyuan.LinuxDirector:A connection director for scalable Internet services[J].Compu-t.Sci&Technol.2000, 15 (6) :560-571.
[3]MACK J.LVSDocument[EB/OL].http://www.linuxvirtuals-erver.org, 2003.
[4]ZHANG Xiaolan, BARRIENTOS M, CHEN J, et al.HACC:AnArchitecture for Cluster-based Web Servers[C]//Proceeding ofthe 3rd USENIX Windows NT Symposium, Seattle, Washington, 1999:155-164.
[5]GRUDENIC, BOGUNOVIC N.Computer cluster scheduling al-gorithm based on time bounded dynamic programming[J].IEEENetwork, 2011:23-27.
[6]周集良, 彭小宁, 等.基于集群的负载平衡调度算法研究与实现[J].计算机工程, 2005, 31 (12) :108-110.
[7]王晋鹏, 潘龙法, 李降龙.LVS集群中的动态反馈调度算法[J].计算机工程, 2005, 31 (19) :40-42.
[8]唐丹, 金海, 张永坤.集群动态负载平衡系统的性能评价[J].计算机学报, 2004, 27 (6) :803-811.
动态反馈教学法 篇5
关键词：实时传输协议,实时传输控制协议,服务质量控制
近年来,伴随着计算机网络技术和通信技术的迅速发展,计算机网络的通信信道发生质的变化,数据传输呈现出“高速度,低差错”的特征。目前因特网由于存在带宽不足、服务质量(QoS)控制机制较弱和基础协议等方面的局限性,难以满足实时性要求,流媒体技术就是在这种背景下应运而生的。
流媒体技术是一种从Internet上获取音频和视频等连续媒体数据的新技术,该技术支持多媒体数据流的实时下载和回放。该技术离不开新型网络协议的支持,因特网工程任务组IETF(Internet Engineering Task Force)制定了一系列支持流媒体实时传输和服务质量控制的协议,其中RTP协议负责数据传输,RTCP协议提供数据传输质量反馈,RSVP协议用于向路由器预定满足其特定需求的网络资源,RTSP协议则提供数据传输的远端控制。而RTP/RTCP协议是所有这些协议的基础。
1 RTP协议
根据多媒体实时传输的网络需求以及当前的网络体系环境,为了解决低延迟、高时实性、QoS保证等问题,由H.Schulzrinne等提出了专为实时数据传输的新型协议:实时传输协议RTP(Real-time Transport Protocol)及其伴随协议实时传输控制协议RTCP(Real-time Control Protocol),RTP可以在多播或单播网络上为实时连续数据提供端到端的网络传输服务,这些服务包括荷载数据类型的识别、序列号的产生、时间戳的建立、数据传输的QoS监控等。正是这些服务机制才为数据的实时传输提供了保证。RTP在协议层中所处的位置如图1所示。
一个RTP协议的数据包包括一个12字节的固定RTP数据头和不定长的连续媒体数据,如图2所示。
需要重点说明的几个部分:
CSRC源数(CC)定义了本头部包含的CSRC源数目;
负载类型(PT)定义了RTP负载的格式和编码的压缩方法,常见的负载类型有:PCM、G.721音频编码、MPEG音频和视频、JPEG视频、H.261视频流等;
序列号(Sequence Number)每发送一个RTP包,序列号加1,它可以被接收方用来检查包丢失及重组包的顺序,序列号的初始值是随机的;
时间戳(Timestamp)是实时数据传输的重要信息,它记录了发送数据块首字节的创建时间,采样时间是线性单调增长的,其时钟频率取决于荷载类型;
同步源标识SSRC(Synchronization Source Identifier)定义SSRC的定义符,可以随机选取,它是RTP报文流的源,在同一个RTP会话中,不同的SSRC源应该有不同的SSRC值。
贡献源标识CSRC(Contributing Source Identifiers)列表,最多有15个CSRC可定义,它列出混合成一个包的所有源的SSRC标识。
3 RTCP协议
常用的RTCP包包括:发送方报告包(SR),用来发送和接收活动源的统计信息;接收者报告包(RR),用来接收非活动站的统计信息;源描述包(SDES)、点离开系统报告包(BYE)和特殊应用包(APP)。
发送方报告数据包(SR)的格式如图3所示,其中需要重点说明的几个部分:
包类型(PT)8位,发送方报告的RTCP包定义为200;
NTP时间戳,64位,表明这个报告发送的绝对时间,可以与接收方报告包中的时间戳比较,估计往返传播时延;
RTP时间戳,32位,与NTP时间戳对应,但是形式上同RTP包的时间戳有相同的初始值,它由NTP时间戳根据RTP时间戳计数器与实际时间的比例计算出来;
SSRC-u,32位,本块统计的SSRC,以下各个字段的说明均指这个SSRC-u;
丢失率,8位,自发出上一个放送方报告后丢失的包数除以期望得到的包数,得到丢失率,乘以256放入本字段;
累计丢失包数,24位,接收开始后丢失包数的累计,它等于期望得到的包数减去已经得到的包数,已经得到的包数包括迟到的和重复的,所以丢失有可能是负数,期望得到的包数是收到的最大序列号减去初始序列号;
到达抖动,32位,是对RTP数据包到达时间间隔的统计变化估计,以时戳的基本单位为基准,用一个无符号整数表示。
接收方报告包中不含发送方信息,包类型代码为201,其余都与发送方报告包相同。
会议的参与者通过发送RTCP报告包提供接收质量反馈,该包依据接收者是否同时也是发送者,选用两种格式中的一种。发送方报告和接收者报告除了包的类型码不同外,格式上的差别仅在于:发送方报告包含一个20字节的发送者信息字段。如果站点在上次放送报告到本次发送报告期间发送了数据包,那么它将发送一个SR,否则发送RR。SR和RR报告都带有若干个接收报告块,每个接收报告块报告接收对应同步源数据的统计情况。由于SR或RR包中最大只能带31个接收报告块,当需要报告的同步源大于31时,将多出来的报告放在附加的RR中,这些RR放在初始SR或RR包后。
接收音频/视频流的应用程序周期性的产生接收方报告控制包RR。该控制包含有已接收数据包的最大序列号、丢失包数目、时延抖动和时间戳等重要信息。发送方应用程序收到这些包后可以估计往返时延,还可以根据丢包数和时延抖动动态调整发送端的数据发送速率,以改善网络拥塞状况,实现公平带宽共享,并根据网络带宽状况平滑调整应用程序的服务质量。
4 实时音频会话系统的设计与实现
采用RTP协议实现一个点对点(Peer to Peer)的音频会话系统,按客户机/服务器的模式来设计。为体现服务质量的动态反馈控制,先采用高质量的采样编码方式发送语音信息,并根据接收端反馈信息判断分组丢失情况。本系统默认采用G.711编码方式(64Kbit/s),当平均每256个包中,丢失了大于10个包时就认为产生拥塞,改用G.729A编码方式(8Kbit/s),同时继续判断分组丢失情况,当网络情况改善时再自动恢复为原来的编码方式。
整个软件主要划分成三个模块:发送/接收控制模块,RTP数据处理模块和RTCP处理模块。各模块关系如图4所示。
在发送/接收控制模块中都使用了套接字(socket)技术,如何使用套接字是这个模块要解决的主要问题。
RTP数据处理模块负责将音频数据打包,封装为RTP数据报文,并交给发送控制模块发送,它同时还要对接收控制模块来的数据进行解包、分析。由于语音信号经过压缩编码后周期性的发送,如每隔20ms一段码字,所以一个RTP应用发送者发送RTP包的间隔也大约为20ms一次。每个RTP包由两部分构成,首先是RTP数据包头,然后是编码后的音频数据。上层在调用这个模块时,必须提供音频数据的编码格式,以在进行RTP封装时使用。
RTCP处理模块中发送控制包的具体流程如图5。
接收到一个SR或RR控制包后,媒体源端应遵循以下步骤:
1)分析RTCP控制包。来自所有会话成员的SR或RR控制包将被解码分析,并计算包丢失率,包丢失比,时延抖动和往返传播时延等
2)评估网络状态。采用某种判段依据,评估实际的网络拥塞状况,以决定是否对带宽需求进行动态控制以改善服务质量。
3)调整所需带宽。
可以看出,以上三步中除最后一步外,都独立于具体的媒体应用,这显示了RTP/RTCP协议的通用性。发送端服务质量动态反馈控制流程如图6所示。
为方便局域网测试,还设计为可以人为控制数据分组丢失。
5 结束语
RTP用于传输实时数据,为在因特网上传输实时多媒体数据提供了切实可行的解决方案。国外的研究机构如美国哥伦比亚大学、贝尔实验室和德国国家信息技术研究中心等也都开展了大量基于RTP/RTCP协议的研究和实验,基于该协议的网络多媒体应用工具和产品也大量涌现。我国在此方面还处在初级阶段,因此,研究开发和利用RTP协议显得非常重要。
参考文献
[1]H.Schulzrinne,S.Casner,R.Frederick,etal.RTP:ATransport Protocol for Real_Time Applications.RFC1889,1996.
[2]H.Schulzrinne.RTP Profile for Audio and Video Conferenceswith Minimal Control.RFC1890,1996.
动态反馈教学法 篇6
电压凹陷已经成为威胁各种用电设备正常、安全工作的重要干扰[1,2,3],动态电压恢复器(DVR)是解决这个问题的最好选择,国内外专家进行了广泛的研究[4,5,6,7,8,9]。DVR的主要优点是能有效补偿动态电压质量,不仅稳态误差小,而且动态响应速度快。
文献[10]采用了基于负载电流反馈的闭环控制策略,反馈采用比例控制。文献[11]采用了基于负载电压反馈的闭环控制,反馈采用PI控制。以上闭环方法减小了系统稳态误差,但并不能消除稳态误差。文献[12]采用前馈和反馈的复合控制策略,反馈控制策略采用双闭环反馈控制,内环是滤波电容电流瞬时反馈控制,外环是负载电压瞬时反馈控制,前馈为电网电压前馈。但在实际控制中,需要检测电容电流瞬时值。文献[13]为了消除负载电流的影响,提出了同时利用电网电压前馈和负载电流前馈的双前馈开环控制方法,并提出了用负载电压估计负载电流的估算方法。但由于在电流前馈估算时,采用上一个采样周期的误差校正本周期的控制量,估算的前提是2个周期之间的负载电流变化率偏差不大,但当负载电流存在频率很高的谐波时,校正效果会变差,仅有前馈控制并不能消除各种扰动的影响。
本文在此基础上再加上一个负载电压反馈的闭环控制,即系统电压、负载电流双前馈加负载电压反馈的控制策略,既能保证系统的快速响应和稳定性,又能消除系统的稳态误差。在实际控制中,只需检测电网侧和负载侧电压值,不需要检测负载侧电流值。最后通过仿真和样机实验验证该方法的正确性。
1 DVR系统结构和补偿策略
线电压补偿型DVR系统结构如图1所示。补偿电压通过3个相同的单相变压器串联接入电网。
对于三相三线系统,因为没有中性线,能够测量的只有线电压,并且:
所以只需测量2个线电压即可。本文选择uab、ubc,并与理想的电压u*ab、u*bc比较,得到应该补偿的电压u′ab、u′bc,如下式所示:
则三相逆变器输出的补偿电压u′ca为
可见,只要能够保证负荷侧2个线电压为理想值,那么负荷侧的电压就是理想的。因此,应将得到的线电压瞬时值u′ab、u′bc转换为相电压瞬时值u′a、u′b、u′c。可以采用如下方法进行转换:
2 DVR控制策略
以单相DVR为例研究DVR控制策略,根据图2可以写出系统的状态变量方程如式(5)所示,式(5)中主要参数及其参考方向如图2所示。
其中,di为逆变器中开关管VS1+和VS2-的占空比;us、ui、uC、ut2、ucmp、uL分别为网侧电压、逆变器输出电压、滤波电容电压、变压器原边电压、变压器副边电压、负载电压;Lf、Cf为低通滤波器的参数;Lt1、Lt2为变压器漏感;ii、it2、iL分别为逆变器输出电流、变压器原边电流、负载电流。
逆变器工作在双极性调制模式下,且开关频率足够高。串联变压器的变比为1,这样变压器原、副边电压和电流相等。设2di-1=k,可以得到系统框图如图3所示。
则负载端电压为
考虑到LC滤波器是为滤除开关纹波而设计的,并且设计时要求其对系统特性的影响尽可能小,所以在电网电压所包含的频率范围内,有以下近似条件:
所以式(7)和式(9)可以简化为
结合式(6)(8)(11)(12),可得:
把负载电压uL(s)看作DVR的控制对象,k(s)看作控制量,电网电压us(s)和负载电流iL(s)看作干扰量,被控制对象同时受控制量和2个干扰量的影响。
2.1 前馈控制
基于电压前馈的开环控制中,首先检测电网电压并和标准电压比较,然后将偏差作为逆变器输出的参考量进行脉宽调制控制。开环控制下控制量k(s)为
其中,ur为负载参考电压。
结合式(6)(14),可得:
从式(15)可以看出,系统存在稳态误差。在电路参数确定以后,其大小由负载电流决定。
2.2 反馈控制
文献[11]采用了负载电压反馈的闭环方法,控制器采用PI控制器,k(s)的表达式如下:
其中,KP和τI分别为PI环节比例系数和积分时间常数。
结合式(13)(16),可得:
从式(17)可以看出,负载电压由参考电压、电网电压、负载电流3个量共同决定,系统不能保证负载电压稳定跟踪参考电压。文献[11]又在上述控制的基础上增加了电网电压的前馈,使得DVR的响应速度有所增强,同时基本消除了电网电压对负载电压的影响。此时控制量k(s)的表达式如下:
k(s)=[ur(s)-us(s)]+[ur(sU)dc uL(s)]垲KP+τ1Is垲(18)
结合式(13)(17),可以得负载电压表达式:
该控制方法也不能消除负载电流的影响,但由于电压反馈的存在,稳态误差比开环时要小。
2.3 双前馈加反馈控制
上述控制策略中,稳态误差都受负载电流的影响。要消除负载电流的影响,在电网电压前馈和负载电压反馈的基础上,对负载电流也进行一个前馈处理。由于变压器漏抗难以准确测量,并且滤波器电感和变压器漏抗都会随着工作状态的改变而改变,因此难以直接测量负载电流并计算负载电流前馈量。现采用以下方法计算负载电流前馈量。
由式(19)变换得:
设Δk为实际控制量和理想控制量之间的偏差。将上一周期的控制量偏差记录下来,并在本采样周期对控制量进行校正。由此得到负载电流前馈量估算表达式为
所以双前馈加反馈的控制量表达式为
电网电压和负载电流双前馈可以抵消大部分的扰动,其他模型不精确和检测引起的误差由负载电压反馈控制抑制,控制参数比单纯的负载电压反馈控制要小。在文献[12]中,参数KP=30,τI=0.001 s;本文中参数KP=5,τI=0.000 2 s。在实际控制中,只需要检测电网侧电压和负载侧电压,利用式(22)来计算控制量。
3 仿真和实验验证
3.1 仿真
电网相电压正常时有效值为220 V,将电网侧的电能通过不控整流变成直流电后存储在储能单元中。系统侧电压在0.1 s时基波幅值跌落50%,图4—6为采用不同控制策略时补偿效果对比,图4为采用前馈控制补偿,电压明显存在稳态误差且电压有波动;图5为采用负载电压反馈控制补偿,电压有稳态误差,但比前馈控制小,电压有波动;图6为采用双前馈加反馈控制,基波能完全补偿。图7是接整流负载时补偿效果对比:图7(a)为采用系统电压前馈加负载电压反馈,整流负载电流中含有大量谐波,补偿电压波动较大;图7(b)为采用双前馈加反馈控制,补偿效果好。
3.2 实验
针对三相三线制系统设计出线电压补偿型10 k V·A DVR,负载功率为5~10 k W,主处理芯片为TMS320LF2407A,采用本文所提出的双前馈和反馈的复合控制策略。实验中为了维持直流电容电压的稳定,从负载端取电,通过不控整流给直流电容充电。注入变压器采用3个独立的单相变压器构成,除了将变流得到的电压注入主电路之外,还起到了平波和隔离的作用,可以通过调节变压器的变比来改变DVR的补偿范围和补偿能力。在实际变压器加工时中间有抽头,可以得到1:2、1:1或2:1的不同变比。实验中采样频率为10 k Hz,滤波电感为1.1 m H,滤波电容为60μF。样机设计框图如图8所示。
实验过程如图9所示,开始时,系统侧电压uab为额定值时,DVR不补偿,过一段时间发生电压跌落,系统侧电压有效值下降,DVR检测到发生电压跌落后开始补偿,负荷侧电压基本维持在额定值;当跌落结束时,系统侧电压恢复正常,逆变器封锁开关信号,DVR停止补偿。图10中,在电压跌落过程中发生闪变,负荷侧电压仍然维持在额定值,系统动态响应快,DVR完全达到了治理电压跌落的目的。
4 结论
动态反馈教学法 篇7
一、预习反馈
许多有经验的教师非常重视学生预习这一教学环节。在新课堂模式的探索与实践中, 我们秉承“以生为本”的教学理念, 培养学生终身学习能力。让学生学会预习就是一种有效途径。教师在课前设计出适合本课的预习导学案, 使学生在预习时有的放矢地根据学案的内容充分自学, 展开讨论。
例如在《牛津初中英语》7A Unit4Food的Reading 1的教学中, 我让学生运用课本中所学的词汇和句型介绍自己日常的饮食习惯和生活方式。这不仅能给学生提供自我表达的机会, 也能检查学生预习探究过程中对语言知识的积累, 有利于学生认知的发展。
二、观察反馈
一位优秀的教师应该是一位有经验的“观察者”。在课堂上教师要关注每一位学生, 及时从学生的神态、表情、行为表现中作出专业的分析与判断 (学生对所学知识是否理解, 学得怎么样, 能否产生浓厚的兴趣) , 要做到“听其言, 观其行, 察其神”, 以便敏锐地抓住学生的问题与自身教育教学行为的关联点, 并加以反思, 从而及时调整课堂教学。
例如, 发现学生眼神呆滞、迷茫, 或者有学生沉默不语、自顾看书、无法参与讨论等现象时, 教师应立即根据学生的需求, 调整教学方法和教学深度, 改进自身行为, 优化教学效果。如在课堂上学生表现为十分专注地听老师讲述, 时而轻笑, 时而点头, 这表示他们理解了老师讲授的内容, 表明教学效果很好, 可按原计划进行下去。
三、问题反馈
提问是课堂教学中最为常见的一个获取反馈手段。它使课堂节奏有张有弛, 教学有输入有输出, 使每位学生都能亲身参与教学活动。教师通过提问的方式了解学生的知识掌握程度, 既可以督促学生学习, 又能发现自己教学过程中可能遗漏的环节。此外, 教师还要善于鼓励学生积极思考问题和敢于提问, 充分暴露其语言学习认知感悟过程, 有效激活学生学习认知思维, 为其自主学习奠定坚实基础。
例如在《牛津初中英语》8BUnit6Acharitywalk的Reading1的教学尾声, 我就“Whatdoyoulearnfromthe charitywalk?”和“Canyougivemeanintroductionto OxfamTrailwalker?”来引导学生进行总结, 以此来深化教学过程。
四、检测反馈
课堂上精讲多练, 讲练结合, 可以对学生的知识掌握情况及时进行反馈, 从而达到巩固知识的目的。根据每节课的教学任务, 英语教师可以有针对性地设计一些测试题, 不仅能保障课堂教学的重点有效巩固, 也能及时了解学生对本课知识的掌握情况。
例如在《牛津初中英语》7BUnit1Dreamhomes的Grammar教学中, 我让学生根据所听录音的内容画出相应的图画, 以检测学生对above, at, behind, below, in, infrontof等介词用法的掌握程度, 深化其语言知识的积累和技能的运用。
五、讨论反馈
学生在各自独立学习、获取教学信息之后, 进行有效的课堂讨论, 交换学习心得、体会, 互相提问, 相互评价, 可以加强生生之间的反馈, 促进学生对知识的进一步理解和系统性的认识。
例如在《牛津初中英语》8BUnit1Pastandpresent的Vocabulary教学过程中, 我给每个小组分发了不同的卡片, 让小组成员共同讨论卡片上的形容词的反义词, 并用这一对反义词编对话。通过这样的讨论学习活动, 不仅可以让学生利用反义词联想记住比较生僻、孤立起来不易记住的单词, 也能让教师根据学生暴露出的课堂知识欠缺的地方及时进行必要的完善和补充。
总之, 教学反馈是教学有效进行的关键环节, 及时的、积极的反馈能对学生的学习起到激励作用。教师应该遵循英语教育教学规律和原则, 在教学实践中认真探索反馈与矫正的有效方法和途径。
参考文献
[1]唐琼.初中英语课堂反馈教学有效性的探究[J].英语广场, 2012 (9) .