Comments on “An intelligent CMAC-PD torque controller with anti-over-learning scheme for electric load simulator”
Notice bibliographique
Résumé
This paper points out problems in a paper which appears in the Transactions of the Institute of Measurement and Control entitled “An intelligent CMAC-PD torque controller with anti-over-learning scheme for electric load simulator” by Bo Yang, Huatao Han and Ran Bao (Vol. 39, No. 2, pp.192–200, 2016). Their proposed neural-network weight update makes no intuitive sense: it introduces a term that keeps the output of the neural network close to its input. Here, a standard linear analysis shows that their proposed update applied to adaptive parameters will result in a large steady-state error in general; however for their machine a low steady state error results only because the ideal numerical value of the control signal in Volts happens to be close to the numerical value of the desired input signal in Newton-meters. Furthermore, the authors claim their weight update prevents overlearning, but do not conduct a Lyapunov analysis or even graph a measure of their weights in the results section. This paper shows that a standard Lyapunov analysis (which establishes uniformly ultimately bounded signals for traditional robust update modifications like leakage) fails to reveal a bound on signals for the proposed method. Moreover, simulations demonstrate weight growth that continues at a linear rate during a long simulation when using the proposed method.
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 | 0,003 | 0,022 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,016 | 0,010 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,017 | 0,010 |
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 ».