Data‐driven iterative learning control using a uniform quantizer with an encoding–decoding mechanism
Notice bibliographique
Résumé
Abstract This work explores the problem of uniform quantization of iterative learning control (ILC) for nonlinear nonaffine systems under a data‐driven design and analysis framework. First, to deal with the strong nonlinearity and nonaffine structure of the systems, an iterative linear data model (iLDM) utilizing more additional parameter information is developed consequently bypassing modeling process. The iLDM only serves for the controller design and analysis without any mechanistic interpretation. Then, an encoding–decoding mechanism (E‐DM) is employed to deal with the bounded tracking performance caused by the uniform quantizer. Using the iLDM, an E‐DM based quantized data‐driven ILC (E‐D QDDILC) method is developed with a quantized learning control law and a quantized parameter estimation law, both of which only utilize the quantized output estimations obtained from the E‐DM. The quantized parameter estimation law enhances the robustness of the proposed E‐D QDDILC as an adaptive mechanism to tune the learning gain in real‐time. A mathematical induction approach and the contraction mapping principle are introduced for the convergence analysis as the basic tools. When the scaling function is bounded, one shows the tracking error is bounded convergent. When the scaling function approaches zero iteratively, a zero convergence can be guaranteed in the iteration domain. The main results are verified through simulation examples.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| 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 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».