A Wavelet Neural Network-Based NARMA-L2 Feedforward Controller Using Genetic Algorithms to Control Nonlinear Systems
Notice bibliographique
Résumé
As a powerful nonlinear control design strategy, feedback linearization provides viable design tools for a wide range of nonlinear systems. This paper presents an intelligent feedback linearization design using the inverse feedforward control (IFC) scheme to control nonlinear dynamical systems. Particularly, the nonlinear autoregressive moving average (NARMA-L2) network is trained to reproduce the controlled system's forward dynamics. Consequently, the trained NARMA-L2 network can be directly employed in the IFC structure. To enhance the approximation ability of the NARMA-L2 structure, two wavelet neural networks (WNNs) are utilized to constitute the NARMA-L2 controller. Moreover, the RASP1 function was utilized as the mother wavelet function instead of the commonly employed Mexican hat function. To avoid the limitations of the gradient descent (GD) methods, the genetic algorithm has been used as the training method to optimize the NARMA-L2 inverse controller parameters. The simulation results showed that the proposed controller was effective in terms of precise control and robustness against external disturbances. Furthermore, a comparison study with other control structures revealed that the control results of the proposed WNN-based NARMA-L2 controller with the RASP1 function are superior to those of the WNN-based NARMA-L2 with the Mexican hat function, the multilayer perceptron (MLP)-based NARMA-L2 controller, and the PID controller.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 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 | 0,001 | 0,000 |
| 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 ».