Méthodologie de synthèse de correcteurs robustes d’ordres réduits. De la modélisation à la synthèse robuste
Bibliographic record
Abstract
Dans cet article, une méthodologie de synthèse de correcteurs robustes d'ordre réduit pour systèmes linéaires invariants est développée. Cette méthodologie se place délibérément dans le cadre de l'implantation sur calculateur embarqué où les contraintes réelles (capacité de calcul, sensibilité aux bruits, étendues des grandeurs mesurées et de commande) sont directement prises en compte. Elle est basée sur la détermination, dans un premier temps, d'un modèle de synthèse d'ordre réduit choisi satisfaisant certaines contraintes vis-à-vis de la famille des modèles connus du système réel. Puis, dans un second temps, par la détermination d'un correcteur d'ordre réduit désiré, sous certaines contraintes afin de garantir la robustesse vis-à-vis de la famille des modèles connus du système réel. La synthèse du correcteur est réalisée par la résolution d'un problème d'optimisation exprimé sous forme semi-analytique. Des exemples applicatifs montrent l'efficacité de la méthodologie et sa large applicabilité.
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 | 0.003 | 0.015 |
| Meta-epidemiology (narrow) | 0.002 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.002 |
| Scholarly communication | 0.003 | 0.002 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.002 | 0.004 |
| Insufficient payload (model declined to judge) | 0.010 | 0.004 |
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".