Hybrid State Space and Frequency Domain System Level Synthesis for Sparsity-Promoting H<sub>2</sub>/H<sub>∞</sub> Control Design
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
Design of optimal linear feedback controllers is a challenging but important problem in many applications. The main difficulties arise from nonconvexity and infinite dimensionality of the associated optimization problem for the design. A promising recent approach to address these challenges is to first use system level synthesis to render the problem convex using a clever reparameterization, and then to apply an approximation by simple poles to obtain a finite dimensional problem. However, when computing ${\mathcal{H}}_{2}$ and ${\mathcal{H}}_{\infty}$ norms, this prior approach requires an additional approximation of a finite time horizon for the closed-loop impulse response. This finite horizon results in increased suboptimality, degraded performance, and increased problem size and memory requirements. To address these limitations, we present a novel control design framework that combines the frequency domain system level synthesis constraints with a state space formulation of the ${\mathcal{H}}_{2}$ and ${\mathcal{H}}_{\infty}$ norms using linear matrix inequalities. This state space formulation eliminates the need for a finite time horizon approximation, and results in a convex and tractable semidefinite program for the control design. To preserve robustness, in practice it is important that controllers only contain a relatively small number of poles. Therefore, we propose to make an optimal sparse selection of simple poles from a large initial collection to maintain robustness while improving performance. As this sparsity constraint is nonconvex, we use group lasso regularization to enforce sparsity while maintaining convexity for the control design. Finally, the superior performance of the proposed method is illustrated on an example of power converter control design.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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