MétaCan
Menu
Retour à la cohorte
Enregistrement W4321446862 · doi:10.1080/00207721.2023.2178863

Design of switched high-gain observer for nonlinear systems

2023· article· en· W4321446862 sur OpenAlexaff
Sunil Kumar, Anil Kumar Pal, Shyam Kamal, Xiaogang Xiong

Notice bibliographique

RevueInternational Journal of Systems Science · 2023
Typearticle
Langueen
DomainePhysics and Astronomy
ThématiqueChaos control and synchronization
Établissements canadiensUniversity of Calgary
Organismes subventionnairesBasic and Applied Basic Research Foundation of Guangdong ProvinceShenzhen Fundamental Research Program
Mots-clésControl theory (sociology)Convergence (economics)Nonlinear systemObserver (physics)Lyapunov functionState observerMathematicsChaoticSingularityLTI system theoryComputer scienceLinear systemControl (management)Mathematical analysis

Résumé

récupéré en direct d'OpenAlex

This paper proposes a switched high-gain observer with the desired convergence time for nonlinear systems. The proposed approach is based on a switching structure that plays an essential role, resulting in desired convergence and avoiding the observer's states' singularity. The main feature of this paper is that the observer's state converges to the actual state within the desired convergence time, where the convergence time is invariant with respect to the initial errors of the system. Moreover, the convergence time can be chosen at the will of the designer. The proposed method's results involve the high-gain principle and recent advancements in fixed-time observers. Further, the system's gain varies linearly (rather than square) with the order of the system. Using the Lyapunov theorem, the stability analysis of the proposed approach is investigated. Finally, two examples, (i) the Van der Pol oscillator circuit and (ii) Genesio–Tesi chaotic system demonstrate the efficacy of the proposed approach.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,002
Score d'incertitude au seuil0,005

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,001
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,032
Tête enseignante GPT0,286
Écart entre enseignants0,254 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations5
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueInternational Journal of Systems ScienceMême sujetChaos control and synchronizationTravaux en français237 207