Event-Triggered Neural-Network Adaptive Control for Strict-Feedback Nonlinear Systems: Selections on Valid Compact Sets
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
This article studies neural-network (NN) adaptive control for strict-feedback nonlinear systems with matched uncertainties and event-triggered communication. Radial basis function NNs (RBFNNs) are used in the backstepping design approach to compensate for nonlinear uncertain functions. The concept of valid compact sets for RBFNN adaptive controllers is proposed, where a local RBFNN approximator is defined and the closed-loop state can remain. To guarantee the existence of such valid compact sets, a new property on RBFNNs is presented, which shows that, in some properly designed RBFNNs, the norm of their ideal weight vectors can always become arbitrarily small. By utilizing this property, the selections on valid compact sets are investigated, resulting in rigorous proof on RBFNN adaptive controllers to solve a local tracking problem with a given smooth enough reference signal. Subsequently, to save limited communication resources, a Zeno-free event-triggering mechanism in controller-to-actuator channels is proposed. Under this event-triggered adaptive controller, the corresponding tradeoff among the tracking performance, computational burden, and communication consumption is analyzed. Furthermore, two extensions are made to the general local function approximator, which is in the form of a weight vector multiplying a group of basis functions, and to the communication in sensor-to-controller channels. Finally, several simulation results are provided to illustrate the efficiency and feasibility of the obtained results.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 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 découle