Identification de systèmes multivariables à temps continu par approche des sous-espaces
Bibliographic record
Abstract
L'identification de systèmes multivariables linéaires et invariants représentés sous forme de modèles d'état à temps continu à partir de données d'entrée/sortie échantillonnées est considérée au sein de cet article. L'approche développée repose sur l'association de deux techniques de filtrage et de deux algorithmes des sous-espaces. Les techniques de filtrage permettent de contourner le problème de dérivation des signaux inhérent à toute identification directe de modèles à temps continu. Les moments partiels réinitialisés et les filtres à variables d'état sont plus particulièrement employés. Les algorithmes des sous-espaces proposés sont quant à eux fondés sur la classe d'identification MOESP. Une attention particulière est prêtée au problème de construction de la variable instrumentale utilisée pour fournir une estimation fiable des matrices d'état dans un contexte bruité. Les performances des algorithmes développés ainsi que l'influence de certains paramètres de construction sont mises en évidence à l'aide d'un exemple de simulation.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.003 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.000 | 0.001 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.002 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".