Model Predictive Controller with Adaptive Neural Networks and Online State Estimation for Pitch Rate Control of the Cessna Citation X
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 research presents a technique for designing an adaptive nonlinear controller for the pitch rate of the Cessna Citation X business jet aircraft. The proposed control algorithm includes 3 major components, namely a Model Predictive Controller (MPC), an online state estimation, and an adaptive neural network controller. The estimation of the aircraft local dynamics is performed using Recursive Least Square (RLS) method. The RLS algorithm consists of an adaptive filter suited for state approximation which only requires states and control increments. The MPC controller consists of an optimization of the control trajectory over a given control, and predicted horizons. A constrained nonlinear optimization is fulfilled to solve the optimization problem, for which a quadratic cost function with respect to the control trajectory is minimized. Finally, an adaptive neural network is added, which compensates the errors in the state estimations and improves the overall performance of the controller. The neural network component consists of a single hidden layer feedforward neural network, for which the hyperparameters are updated online using backpropagation principle on the weights of the input and output layers. The simulation results showed that the proposed control algorithm was perfectly capable of tracking a given reference signal defining a desired flight dynamic for the pitch rate control. The flight controller was tested on 63 different flight conditions across the flight envelope of the Cessna Citation X, and demonstrated good adaptation performance. The control algorithm was then tested with different parameters of the controller elements, and very good performance was obtained for given reference signals on the pitch rate.
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