Double-Layered Iterative Learning Control for Nonlinear Systems
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 aims at improving the control performance of the iterative learning control through set-point learning along iteration direction. A double-layered learning control mechanism is designed for both the control input and the set-point, respectively. The learning control of the input is regarded as a local controller in the inner layer, and the learning control of the set-point is designed as an auxiliary controller in the outer layer whose design is a main challenge since no any priori knowledge is available to describe the relationship between the set-point and the control performance. To solve this issue, an ideal nonlinear nonaffine set-point learning optimization (SPLO) algorithm is designed by taking the set-point and the tracking error as the arguments. Then, an iterative dynamic linearization (iDL) is introduced to formulate the ideal SPLO algorithm as a linear parametric one whose unknown parameter is estimated by designing a parameter updating algorithm. Further, since a strongly nonlinear and nonaffine system is considered without any model information available, the iDL is also used to derive its equivalent linear data model which is then updated by the input and output data to make the linear parametric SPLO realizable. Finally, a double-layered iterative learning control (DLILC) is proposed under the data-driven framework for tracking an iteration-varying trajectory. Convergence analysis and extensive simulations are included to demonstrate the effectiveness of the presented DLILC.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,002 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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