State Estimation with Event Sensors: Observability Analysis and Multi-sensor Fusion
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 investigates a state estimation problem for linear time-invariant systems based on polarized measurement information from event sensors. To enable estimator design, a new notion of observability, namely, \(\epsilon\)-observability is defined with the precision parameter \(\epsilon\) which relates to the worst-case performance of inferring the initial state, based on which a criterion is developed to test the \(\epsilon\)-observability of discrete-time linear systems. Utilizing multisensor polarity data from event sensors and the implicit information hidden in event-triggering conditions at no-event instants, an iterative event-triggered state estimator is designed to evaluate a set containing all possible values of the state. The proposed estimator is built by outer approximation of intersecting ellipsoids that are predicted from previous state estimates and the ellipsoids inferred from received polarity information of event sensors as well as the event-triggering protocol; the estimated regions of the state derived from multisensor event measurements are fused together, the sizes of which are proved to be asymptotically bounded. Distributed implementation of the estimation algorithm utilizing a two-layer processor network of hierarchy architecture is discussed, and the temporal computational complexity of the algorithm implemented in centralized and distributed ways is analyzed. The efficiency of the proposed event-triggered state estimator is verified by numerical experiments.Keywordsevent-triggered state estimationnetworked systemsevent sensorsobservability analysisMSC codes68M1862F1293B07
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 | 0,000 | 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 découle