Artificial Neural Network-Based Model Predictive Control Using Correlated Data
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 work addresses the problem of implementing model predictive control (MPC) in situations where the training data available for modeling contains possible correlations, and an artificial neural network (ANN)-based model is being used. In particular, we consider a problem where data sets are collected from a process that operates under the closed-loop condition in which correlations are induced between several input and output variables. In this situation, if the correlation problem is not addressed, manipulated inputs (calculated by MPC without considering the specific correlation in the input space) and independently prescribed set-points may require predictions in regions where the model is not trained, resulting in a poor closed-loop performance. To address this issue, principal component analysis (PCA)-based strategies are applied to both the input and output spaces in a way that maintains model validity. To that end, a new constraint on the squared prediction error (SPE) is incorporated into the ANN-based MPC optimization problem to make control actions follow the PCA model built using the training input data. Next, a PCA model is developed using the training output data, and then an optimization problem subject to the SPE constraint is defined to calculate set-points which are achievable. The effectiveness of the proposed ANN-based MPC to track these set-points is demonstrated using a chemical reactor example. Finally, a new autoencoder-based strategy is proposed to compute the achievable set-points. This is performed by replacing the PCA-based constraint with the autoencoder-based constraint in the optimization problem to calculate the set-points. The results indicate that the ANN-based MPC performance is improved when the autoencoder-based set-points are used.
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) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 | 0,002 |
| 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