An E‐HOIM Based Data‐Driven Adaptive TILC of Nonlinear Discrete‐Time Systems for Non‐Repetitive Terminal Point Tracking
Notice bibliographique
Résumé
Abstract This work proposes a new adaptive terminal iterative learning control approach based on the extended concept of high‐order internal model, or E‐HOIM‐ATILC, for a nonlinear non‐affine discrete‐time system. The objective is to make the system state or output at the endpoint of each operation track a desired target value. The target value varies from one iteration to another. Before proceeding to the data‐driven design of the proposed approach, an iterative dynamical linearization is performed for the unknown nonlinear systems by using the gradient of the nonlinear system with regard to the control input as the iteration‐and‐time‐varying parameter vector of the equivalent linear I/O data model. By virtue of the basic idea of the internal model, the inverse of the parameter vector is approximated by a high‐order internal model. The proposed E‐HOIM‐ATILC does not use measurements of any intermediate points except for the control input and terminal output at the endpoint. Moreover, it is data‐driven and needs merely the terminal I/O measurements. By incorporating additional control knowledge from the known portion of the high order internal model into the learning control law, the control performance of the proposed E‐HOIM‐ATILC is improved. The convergence is shown by rigorous mathematical proof. Simulations through both a batch reactor and a coupled tank system demonstrate the effectiveness of 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 | 0,001 | 0,001 |
| 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 | 0,001 |
| 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 ».