Offline and Online Parameter Learning for Switching Multirate Processes With Varying Delays and Integrated Measurements
Notice bibliographique
Résumé
It is difficult to measure properties of certain key/quality variables at a fast rate due to technical constraints or economical considerations. Such variables are measured infrequently through laboratory analysis with a considerable delay. Also, sample collection for laboratory analysis may be extended over a significant time interval. In this article, the objective is to solve the parameter estimation problem along with real-time output prediction for switching multirate sampled processes with unknown varying delays and unknown varying sampling intervals. First, under the framework of the expectation–maximization (EM) algorithm, offline parameter estimation problem of dual-rate switching augmented regression models is handled. The delays, sampling intervals, and operating modes are considered as the hidden variables modeled by a nonparametric-distribution-based approach. In addition, as the fast-rate prediction of the slow-rate sampled variables is often used for process control applications, a recursive EM algorithm is used to predict the fast-rate outputs in real time. The efficacy of the proposed algorithms is shown through an experimental study on a laboratory hybrid tank system. The results show a satisfactory fast-rate prediction of the slow-rate sampled variables, and the significance of considering different sampling intervals is highlighted. Also, estimates of the occurrence probabilities of each possible delay, sampling interval, and mode are obtained without being limited by the assumption of a prior distribution.
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) | 0,000 | 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 | 0,001 |
| 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 ».