Adaptive hierarchical tuning of fuzzy controllers
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Fuzzy controller design includes both linear and non‐linear dynamic analysis. The knowledge base parameters associated within the fuzzy rule base influence the non‐linear control dynamics while the linear parameters associated within the fuzzy output signal influence the overall control dynamics. For distinct identification of tuning levels, an equivalent linear controller output and a normalized non‐linear controller output are defined. A linear proportional‐integral‐derivative (PID) controller analogy is used for determining the linear tuning parameters. Non‐linear tuning is derived from the locally defined control properties in the non‐linear fuzzy output. The non‐linearity in the fuzzy output is then represented in a graphical form for achieving the necessary non‐linear tuning. Three different tuning strategies are evaluated. The first strategy uses a genetic algorithm to simultaneously tune both linear and non‐linear parameters. In the second strategy the non‐linear parameters are initially selected on the basis of some desired non‐linear control characteristics and the linear tuning is then performed using a trial and error approach. In the third method the linear tuning is initially performed off‐line using an existing linear PID law and an adaptive non‐linear tuning is then performed online in a hierarchical fashion. The control performance of each design is compared against its corresponding linear PID system. The controllers based on the first two design methods show superior performance when they are implemented on the estimated process system. However, in the presence of process uncertainties and external disturbances these controllers fail to perform any better than linear controllers. In the hierarchical control architecture, the non‐linear fuzzy control method adapts to process uncertainties and disturbances to produce superior performance.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle