Neuro-Fuzzy Controller Based on Model Predictive Control for a Nonlinear Underactuated Mechanical System
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
Fuzzy Logic Control (FLC) has been viewed as an effective feedback approach that simplifies the mathematical burden when developing complex control systems. The rationale of FLC is the digital implementation of “human-like” control rules provided either by experience or by an expert agent. Unfortunately, for high-precision control applications, FLC has proved difficult to identify an appropriate set of such rules. This drawback was compensated by the emergence of Neuro-FLC techniques based on artificial neural networks. Neuro-FLC has therefore focused on self-learning inference methodologies in which the required rules (and fuzzy sets) have been determined automatically. Despite some attractive features, many self-learning approaches present significant challenges when the hardware implementation is resource-constrained. One such challenge relates to what has been called the rule explosion problem: this describes the fact that FLC inference methodologies tend to create very large rule sets for multivariable control systems. Therefore, this paper proposes a Neuro-FLC based on a sub-cluster rule reduction in order to implement the algorithm on a resource constrained embedded system (e.g., ARM Microntroller). The Neuro-FLC technique learns from a Model Predictive Algorithm (MPC) and it is implemented for controlling an underacuated nonlinear mechanical system. The algorithm proposed is capable of deploying the optimal energy to the system that guarantees stability while the performance related to the time-response can be safely chosen by the user.
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) | 0,001 | 0,001 |
| 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 | 0,001 | 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