An Arbitrarily Predefined-Time Convergent RNN for Dynamic LMVE With Its Applications in UR3 Robotic Arm Control and Multiagent Systems
Notice bibliographique
Résumé
Zeroing neural network (ZNN), as a special type of recurrent neural network (RNN), is very competitive in solving time-varying linear matrix-vector equations. Recently, various ZNNs with predefined-time convergence (PTC) capabilities have been reported. Such ZNNs with PTC capabilities can achieve the predefined convergence time via explicitly presetting multiple parameters related to the upper bounds of their convergence time. However, obtaining suitable and robust values for these parameters through reasonable adjustments is a challenging task in many engineering applications. To address this problem, we propose a novel arbitrarily predefined-time convergent RNN (APTC-RNN) with a novel nonlinear piecewise activation-function (NPAF). Unlike most existing ZNNs with PTC capabilities, the proposed APTC-RNN, due to its NPAF, can achieve arbitrarily PTC (APTC) without adjusting any upper bound parameters. Furthermore, due to the piecewise computation form of the NPAF, the proposed APTC-RNN can provide a lower computational cost compared to most existing RNNs. The stability and APTC capability of the proposed APTC-RNN are proven by rigorous theoretical analysis and mathematical derivation. Numerical simulations show that APTC-RNN has faster and more accurate PTC capability than three state-of-the-art RNNs, while having less computational time. Finally, the practicality of the APTC-RNN is verified by applying it to the UR3 robotic arm and multiagent systems.
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 ».