MétaCan
Menu
Retour à la cohorte
Enregistrement W2959164364 · doi:10.3390/pr7070451

Discrete-Time Kalman Filter Design for Linear Infinite-Dimensional Systems

2019· article· en· W2959164364 sur OpenAlex

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.

affAu moins un auteur déclare une institution canadienne dans l'instantané OpenAlex épinglé.

Notice bibliographique

RevueProcesses · 2019
Typearticle
Langueen
DomaineEngineering
ThématiqueHydraulic and Pneumatic Systems
Établissements canadiensUniversity of Alberta
Organismes subventionnairesnon disponible
Mots-clésKalman filterDiscretizationAlpha beta filterControl theory (sociology)EstimatorComputer scienceLinear systemInvariant extended Kalman filterFast Kalman filterApplied mathematicsRealization (probability)MathematicsFilter (signal processing)Mathematical optimizationExtended Kalman filterMathematical analysisMoving horizon estimation

Résumé

récupéré en direct d'OpenAlex

As the optimal linear filter and estimator, the Kalman filter has been extensively utilized for state estimation and prediction in the realm of lumped parameter systems. However, the dynamics of complex industrial systems often vary in both spatial and temporal domains, which take the forms of partial differential equations (PDEs) and/or delay equations. State estimation for these systems is quite challenging due to the mathematical complexity. This work addresses discrete-time Kalman filter design and realization for linear distributed parameter systems. In particular, the structural- and energy-preserving Crank–Nicolson framework is applied for model time discretization without spatial approximation or model order reduction. In order to ensure the time instance consistency in Kalman filter design, a new discrete model configuration is derived. To verify the feasibility of the proposed design, two widely-used PDEs models are considered, i.e., a pipeline hydraulic model and a 1D boundary damped wave equation.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesCharge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,638
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,001

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.

Tête enseignante Opus0,020
Tête enseignante GPT0,229
Écart entre enseignants0,210 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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