Data‐driven set‐point tuning of model‐free adaptive control
Notice bibliographique
Résumé
Abstract Model‐free adaptive control (MFAC) is an effective data‐driven control method to deal with nonlinear and nonaffine systems. In this article, a data‐driven set‐point tuning (DDST) approach is proposed for MFAC to enhance its control performance. The proposed data‐driven set‐point tuning based MFAC (DDST‐MFAC) system consists of two control loops. The inner control loop takes the MFAC as the feedback controller where a virtual reference error signal is adopted in the control input. The DDST in the outer loop is derived from an ideal nonlinear set‐point tuning (NST) law, which exists in theory, to meet the control target. To realize the theoretically existing NST, a dynamic linearization (DL) technique is introduced. Virtually, the ideal NST law is independent of any controlled system, regardless linear or nonlinear, having an exact model or not. Since the nonlinear system considered in this work does not have any model information available to the designers, the parameter estimation law of the DDST is designed by using the DL method to transfer the original nonlinear system into a linear data model (LDM) with a projection algorithm to estimate the unknown parameters in the LDM. The convergence of tracking error is proved for a regulation scenario. Simulation study is provided to verify the theoretical results.
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 | 0,002 |
| 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 | 0,001 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 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 ».