An E‐HOIM Based Data‐Driven Adaptive TILC of Nonlinear Discrete‐Time Systems for Non‐Repetitive Terminal Point Tracking
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
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.
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 | 0,001 | 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 | 0,001 |
| 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