Adaptive Output Feedback Control for the Trajectory Tracking of High-Speed Trains with Disturbance Uncertainties on the Basis of Neural Network Observers
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
The dynamic model of high-speed trains (HSTs) is nonlinear and uncertain; hence, with the decrease in the running interval of HSTs, an accurate and safe train operation control algorithm is required. In this study, an adaptive output feedback trajectory tracking control method for HSTs is proposed on the basis of neural network observers. The proposed method aims to solve problems, such as the immeasurable speed, model parameter disturbance, and unknown external disturbance of HSTs. In this method, a neural network adaptive observer is designed to estimate the velocity of an HST. Another neural network model is used to approximate the model uncertainties. Moreover, a robust controller is constructed by considering the train position and velocity tracking errors. In the proposed observer/controller, the bound function of estimator errors is introduced to increase the accuracy and safety of the tracking system. Furthermore, the adaptive update value of the neural networks, output weights, and bound function are performed online. All adaptive algorithms and the observer/controller are synthesized in nonlinear control systems. The error signals of the closed-loop trajectory tracking system are uniformly and eventually bounded through a formal proof on the basis of the Lyapunov methods. Simulation examples illustrate that the proposed controller is robust and has excellent tracking accuracy for system model parameter and external disturbance.
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) | 0,000 | 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 | 0,000 | 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