Modeling of Dynamic Systems With Hysteresis Using Predictive Gradient-Based Method
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
A new modeling method of dynamic systems with rate-dependent hysteresis is proposed in this paper. In this method, a hysteresis model with simple exponential structure is proposed to describe the features of rate-dependent hysteresis. Subsequently, the properties of the proposed hysteresis model are analyzed. Then, a Hammerstein model embedded with the proposed hysteresis model is established to describe the behavior of dynamic systems with rate-dependent hysteresis. Afterward, a predictive gradient-based modeling method is proposed to determine the parameters of the new model. In addition, the convergence analysis of the predictive gradient based modeling method is analyzed. Then, the proposed identification method is applied to modeling of electromagnetic scanning micromirror chips. Finally, the comparison between the proposed novel modeling scheme and other typical nonlinear modeling methods is illustrated. Note to Practitioners—To describe the characteristics of rate-dependent hysteresis in electromechanical systems, both rate-dependent hysteretic operator-based models and non-smooth differential equation-based hysteresis models have complex model structures. However, the exponential-type hysteresis model proposed in this paper not only has a simple structure but can also describe the more complex characteristics of rate-dependent hysteresis. In addition, for rate-dependent hysteresis with multiple local extremes, the proposed modeling method based the predictive gradients can avoid the modeling process being stuck in local extremes, thereby obtaining fast convergence and accurate modeling results.
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 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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