Boundary moving horizon estimator for approximate models of parabolic PDEs
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
In this work, we focus on the state estimation of the parabolic stochastic partial differential equations (PDEs) with boundary observation. The standard Kalman filter as the optimal estimator with assumption of stochastic process features and known variances on state and output disturbances can not account for the naturally present constraints on the estimated states and state disturbances. Therefore, a motivation to explore the moving horizon estimator (MHE) in the distributed parameter system setting, comes from the idea to synthesize an estimator that provides the best state estimate in a deterministic sense when process and measurement disturbances are with unknown statistics and when process constraints on states and disturbances are present. We explore the parabolic PDEs model with boundary observation, and the spectral decomposition approach is employed to yield a finite dimensional system, which incorporates low dimensional approximation of the original infinite-dimensional system. The boundary moving horizon estimator (MHE) combined with Kalman filter is built to reconstruct accurately the low dimensional approximation of the PDE state based on the noise corrupted boundary observations and estimated bounds arising from the infinite-dimensional parabolic PDEs state representation. The issue of parabolic PDEs state constraints inclusion in the MHE with Kalman filter is demonstrated by relevant simulation study of reaction-diffusion parabolic PDEs process with disturbance constraints and demonstration of accurate PDE state reconstruction.
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) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 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