Adaptive Fractional-Order Fault-Tolerant Coordinated Tracking Control of Heterogeneous Multiagent Systems Against Multiple Faults Under Deception Attacks
Notice bibliographique
Résumé
This article addresses the issue of the adaptive fractional-order fault-tolerant coordinated tracking control (FO-FTCTC) for multiple unmanned aerial vehicles and unmanned ground vehicles with fixed-time prescribed performance subjected to actuator and sensor faults under deception attacks. Deception attacks disrupt the sensor network, making the output and state unavailable. To achieve the tracking control of the system, the coordinate transformation method is developed, in which the attack gains are considered and the compromised states are utilized to design a control scheme. Then, the fixed-time prescribed performance function (PPF) is illustrated to transform the coordinated tracking errors (CTEs) into another error variable so that the unconventional errors are limited to the prescribed range. Next, the sliding-mode surface is built by utilizing the errors and fractional calculus. In addition, the radial basis function neural network is utilized to deal with the unknown term. Based on the error, the adaptive FO-FTCTC scheme by utilizing the radial basis function neural network (RBFNN), fractional calculus, and fixed-time PPF with prescribed performance can be achieved, which can strengthen the system performance. Based on the Lyapunov function approach, all vehicles can coordinately track their desired references and CTEs can be bounded within the prescribed boundary. Finally, simulation studies are provided to verify the validity of the developed FO-FTCTC scheme.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 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 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 ».