Identification of large-scale systems with noisy data using an iterated cubature unscented Kalman filter
Notice bibliographique
Résumé
Online structural health monitoring of large-scale models of infrastructures under hazardous environmental loadings— like earthquakes—has been a vital research topic during recent years. A linear Kalman filter has been employed in many cases in which the desired parameters are extracted in a propagated state vector during a recursive regime. Also, many other kinds of nonlinear filters have been developed for nonlinear systems identification following the linear Kalman filter concept, such as the unscented Kalman filter and the cubature Kalman filter. The main contribution of these two Kalman filtering techniques relies on the propagation of a covariance matrix instead of nonlinear transition and measurement functions. Our extensive literature review shows that divergence of estimated states for large degree-offreedom (DoF) models is the main drawback of these techniques. To overcome this weakness, these two filters’ predefined points, sigma points, are combined—with some modifications—to have more predetermined points for the propagation of states and output of covariance matrices. The proposed technique was developed to be used for large DoF systems with a high level of noisy measured data, which indicates a robust identification system. To evaluate the proposed method, a numerical model (10 DoF linear system) with high levels of noise in the measured response data are employed to evaluate the robustness of the proposed method. The results show that the proposed method is significantly superior to the traditional UKF for noisy measured data in systems with large degrees of freedom.
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 | 0,000 | 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 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 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 ».