MV bound and MV controller for convex‐non‐linear systems with input constraints
Notice bibliographique
Résumé
To assess the performance of a control loop based on the minimum variance (MV) benchmark, we need to calculate MV lower bound (MVLB). Even though there is a plethora of literature available for calculating MVLB for the linear systems, these methods are not suitable for non‐linear systems. Furthermore, almost all of the real‐world applications have been encountered with input variance constraints. These constraints limit controllers' abilities in decreasing the output variability. Therefore, existing MVLB computation methods, which do not account for input constraints, are not realistic when applied to constrained systems. The authors propose a novel approach to estimate MVLB by employing properties of dual Lagrangian functions to address these issues simultaneously in this study. Furthermore, to design the constrained non‐linear MV controller (MVC), they propose to use the recurrent neural network for accommodating non‐linearities and the input constraints. Then, control loop stability, optimality with respect to MVLB as well as the global convergence of the proposed controller are analytically proved for convex‐non‐linear systems with input constraints. The proposed control strategy is verified through simulations performed on a non‐linear quadruple‐tank system. The results indicate that the proposed design provides satisfactory results in decreasing output variance while satisfying the constraints.
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 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) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».