A Hybrid-Gain ZNN With Precisely Predefined-Time Convergence for Time-Variant LMVI and Its Applications to UR Robotic Arm and Multiagent System
Notice bibliographique
Résumé
Time-variant-gain zeroing neural networks (TVG-ZNNs) are among the most powerful solvers for time-variant linear matrix-vector inequalities (TVLMVIs). Although TVG-ZNNs with complex nonlinear activation functions achieve effective convergence within finite or predefined time, they incur high computational costs and face challenges in precisely predefining their actual convergence time. In contrast, TVG-ZNNs with linear activation functions offer lower computational costs but struggle to achieve convergence within a finite or predefined time. In addition, the gain values of most existing TVG-ZNNs tend to increase over time, resulting in a significant rise in computational costs. To address these contradictory issues, we propose a novel hybrid-gain ZNN without a nonlinear activation function (HG-ZNN-WNAF) to solve TVLMVIs in both noisy and noise-free environments. Specifically, a new hybrid gain is cleverly designed to construct the HG-ZNN-WNAF activated by a linear activation function, while ensuring that the gain value does not keep increasing over time. Unlike the state-of-the-art TVG-ZNNs with or without nonlinear activation functions, our proposed HG-ZNN-WNAF achieves precisely predefined-time convergence due to the hybrid gain, meaning its actual convergence time can be accurately predefined. Additionally, the piecewise design of the hybrid gain, along with the use of the simple linear activation function, effectively reduces the model's computational cost. Rigorous theoretical analysis demonstrates the precisely predefined-time convergence ability of the HG-ZNN-WNAF in both noisy and noise-free environments. Simulation and physical experiments validate the theoretical analysis and demonstrate that the HG-ZNN-WNAF achieves state-of-the-art performance in terms of convergence speed, robustness, and computational cost.
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 | 0,001 | 0,002 |
| 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 | 0,000 | 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) | 0,003 | 0,001 |
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 ».