AN ADAPTIVE FORMULATION OF THE SMOOTH VARIABLE STRUCTURE FILTER BASED ON STATIC MULTIPLE MODELS, 1-10.
Notice bibliographique
Résumé
The Kalman filter (KF) is the most well-known estimation strategy that yields the optimal solution to the linear quadratic estimation problem. The system in such applications shall be well modelled assuming the presence of Gaussian noise. While the KF is effective under the stated conditions, it lacks robustness to other types of disturbances. Therefore, numerous variants of the KF have been developed to accommodate its limitations. The smooth variable structure filter (SVSF) is an alternative solution with improved robustness, especially in the case of modelling uncertainties. It is based on a sliding-mode technique that offers robustness at the cost of optimality. On the other hand, some algorithms and solutions involve with several possible operating modes and generate an estimation based on the output of these models, i.e., the static multiple models (SMMs) that obtain the estimates based on the weighted statistical fusing of the outputs of the models depending on the likelihood of each mode. This paper introduces an adaptive formulation of the SVSF that is reformulated based on SMMs. The proposed model is applied and tested on an electro-hydrostatic actuator (EHA). The proposed method takes the advantages of the SVSF's robustness and stability while reducing the estimation error due to the use of an adaptive modelling structure. The results show an improvement on the SVSF performance, where the root mean-squared errors are reduced by 41%, 99%, and 75% for the position, velocity, and acceleration estimated states. Therefore, the proposed method is a good candidate for parameter and state estimation problems.
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 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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 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 | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».