1.一种基于Hebb学习的自适应预测控制主队列管理方法，其特征在于，所述自适应预测控制主队列管理方法包括以下步骤：S1，基于线性化的流体流模型，通过Z域变换获得TCP/AQM的离散化模型；

S2，在离散化模型的基础上，计算得到满足预测控制需求的控制器的形式；

S3，引入Hebb学习的思想，将步骤S2中得到的控制器设定成单神经元，自适应地调整控制器的相关参数；

其中，步骤S1中，所述基于线性化的流体流模型，通过Z域变换获得TCP/AQM的离散化模型的过程包括以下步骤：

S11，建立描述TCP/AQM动态特性的Fluid‑Flow模型，其非线性差分方程描述如下：式中，W(t)为TCP连接窗口大小，N(t)为TCP连接数，C为链路容量，q(t)为瓶颈链路的队列长度，R(t)为往返时延：

其中Tp是传输时延，p(t)为节点的包丢弃率，t是时间；

S12，将所述非线性差分方程线性化，得到Fluid‑Flow模型在平衡点(W0,q0,p0)附近的线性方程如下：

其中，δW(t)＝W(t)‑W0，δq(t)＝q(t)‑q0，δp(t)＝p(t)‑p0，N是TCP连接数，R0是往返传输时延；平衡点定义为：

S13，对线性方程进行拉普拉斯变换，得到从δp到δq的开环传递函数：式中，s是拉普拉斯变换的参数；

S14，采用零阶保持法，将开环传递函数离散化，采样间隔为Ts，得到离散模型为：其中，d为系统延迟， m1、m2、n1、n2与系统参数和Ts有关，z是离散化之后的参数。

2.根据权利要求1所述的基于Hebb学习的自适应预测控制主队列管理方法，其特征在于，步骤S2中，所述在离散化模型的基础上，计算得到满足预测控制需求的控制器的形式的过程包括以下步骤：

S21，采用输入—输出差分方程来描述TCP/AQM模型：‑1 ‑d ‑1

A(z )y(t)＝z B(z )u(t)‑1 ‑1 ‑2 ‑1 ‑1 ‑2其中A(z )＝1+a1z +a2z ，B(z )＝b0+b1z +b2z ，a1＝n1，a2＝n2，b0＝0，b1＝m1，b2＝m2；

S22，为了导出j步之后输出y(t+j)的预测值，引入Diophantine方程：‑1 ‑1 ‑j ‑1

A(z )E(z )+z F(z )＝1‑1 ‑1 ‑1

其中，E(z )、F(z )是由A(z )和预测长度j唯一确定的多项式：‑1 ‑1 ‑(j‑1) ‑1 ‑1E(z )＝e0+e1z +…+ej‑1z ，F(z )＝f0+f1z式中，e0、e1...ej‑1是对应的多项式参数，f0和f1是对应的多项式参数；

‑1

S23，将TCP/AQM模型两端乘以E(z )后得到：‑1 ‑d ‑1 ‑1

y(t+j)＝F(z )*y(t)+z E(z )*B(z )*u(t+j)S24，令j＝d+1，计算得到预测模型：y(t+d+1)＝f0y(t)+f1y(t‑1)+g1u(t)+g2u(t‑1)+…+gd+2u(t‑d‑1)式中，y(t)＝δq(t)＝q(t)‑q0，控制目标是队列长度q(t+d+1)＝q0，即y(t+d+1)＝0；g1、g2...gd+2是预测模型的参数；

S25，采用单步预测的方式，则有：u(t)＝h1y(t)+h2y(t‑1)+h3u(t‑1)+…+hd+3u(t‑d‑1)其中h1、h2、…、hd+3是控制器的参数。

3.根据权利要求2所述的基于Hebb学习的自适应预测控制主队列管理方法，其特征在于，步骤S3中，所述引入Hebb学习的思想，将步骤S2中得到的控制器设定成单神经元，自适应地调整控制器的相关参数的过程包括以下步骤：S31，将步骤S2中得到的控制器设定成单神经元，根据神经元模型和Hebb学习方法，单步预测控制器被表示成：

其中wi(t)＝hi，x1(t)＝y(t)，x2(t)＝y(t‑1)，x3(t)＝u(t‑1)，···，xd+3(t)＝u(t‑d‑

1)，K＞0，K为神经元比例系数；

S32，采用预设的学习规则对控制器中的参数进行自适应地调整，所述预设的学习规则为：

wi(t)＝wi(t‑1)+ηie(t‑1)xi(t‑1)u(t‑1)q(t)/q0其中，e(t‑1)＝q(t‑1)‑q0，ηi是学习规则相应的参数，用于决定学习速度。