Model reference adaptive iterative learning control for linear systems
Notice bibliographique
Résumé
Abstract In this paper, we propose a model reference adaptive control (MRAC) strategy for continuous‐time single‐input single‐output (SISO) linear time‐invariant (LTI) systems with unknown parameters, performing repetitive tasks. This is achieved through the introduction of a discrete‐type parametric adaptation law in the ‘iteration domain’, which is directly obtained from the continuous‐time parametric adaptation law used in standard MRAC schemes. In fact, at the first iteration, we apply a standard MRAC to the system under consideration, while for the subsequent iterations, the parameters are appropriately updated along the iteration‐axis, in order to enhance the tracking performance from iteration to iteration. This approach is referred to as the model reference adaptive iterative learning control (MRAILC). In the case of systems with relative degree one, we obtain a pointwise convergence of the tracking error to zero, over the whole finite time interval, when the number of iterations tends to infinity. In the general case, i.e. systems with arbitrary relative degree, we show that the tracking error converges to a prescribed small domain around zero, over the whole finite time interval, when the number of iterations tends to infinity. It is worth noting that this approach allows: (1) to extend existing MRAC schemes, in a straightforward manner, to repetitive systems; (2) to avoid the use of the output time derivatives, which are generally required in traditional iterative learning control (ILC) strategies dealing with systems with high relative degree; (3) to handle systems with multiple tracking objectives (i.e. the desired trajectory can be iteration‐varying). Finally, simulation results are carried out to support the theoretical development. Copyright © 2006 John Wiley & Sons, Ltd.
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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».