A Predictive Gradient-Based Filtering Method for State Estimation of MEMS Micromirrors
Notice bibliographique
Résumé
In this article, a novel dynamic filtering method called predictive gradient based filtering (PGBF) scheme is proposed for state estimation of electromagnetic scanning micromirrors (ESMs) disturbed by noise. In this method, a random state space Hammerstein model with hysteresis is established to describe the characteristic of ESM with hysteresis in random noise environment. Then, the predictive gradient-based filter based on the constructed model is developed to suppress the influence of random noise on such nonlinear systems. To cope with the impact of model uncertainty, a model error compensation mechanism (MECM) is introduced into the PGBF algorithm. Due to the predictive gradient-based optimization (PGBO) method being able to predict the gradient direction of the system cost function within certain horizon in the future, it enables the filter to make decision to avoid being trapped in some local extrema and obtain satisfactory filtering results. Then, the convergence of PGBF is analyzed. Subsequently, the proposed filtering method is applied to the state estimation of ESM disturbed by noise. The proposed filtering scheme is compared with the unscented Kalman filtering (UKF) and nonsmooth Kalman filtering (NKF) strategies. The experimental results show that the proposed PGBF method can achieve better performance in both accuracy and convergence speed of state estimation.
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 ».