Enhanced data-driven optimal iterative learning control for nonlinear non-affine discrete-time systems with iterative sliding-mode surface
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
In this work, an enhanced data-driven optimal iterative learning control (eDDOILC) is proposed for nonlinear nonaffine systems where a new iterative sliding mode surface (ISMS) is designed to replace the traditional tracking error in the controller design and analysis. It is the first time to extend the sliding mode surface to the iteration domain for systems operate repetitively over a finite time interval. By virtual of the new designed ISMS, the control design becomes more flexible where both the time and the iteration dynamics can be taken into account. Before proceeding to the controller design, an iterative dynamic linear data model is built between two consecutive iterations to formulate the linear input-output data relationship of the repetitive nonlinear nonaffine discrete-time system. The linear data model is virtual and does not have any physical meanings, which is very different to the traditional mechanism mathematical model. In the sequel, the eDDOILC is proposed by designing an objective function with respect to the proposed two-dimensional ISMS. Rigorous proof is provided to show the convergence of the proposed eDDOILC method. Furthermore, the results have been extended to a multiple-input multiple-output (MIMO) nonaffine nonlinear discrete-time repetitive system. In general, the proposed eDDOILC is data-driven where no explicit model information is included. It is illustrated that the presented eDDOILC is effective when applied to the nonlinear nonaffine uncertain systems.
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 | 0,000 | 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 | 0,001 |
| 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 découle