.png){kind=icon}
返回
Discrete-time, normalized recursive least squares based concurrent learning for online function approximation
.png){kind=icon}
OA
AI
DOI：10.1016/j.automatica.2025.112273.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
并行学习（CL）利用策略性的数据收集与使用，在比激励持续性条件更宽松的条件下实现有效学习。使用参数线性模型来近似一般的离散时间（DT）不确定性，我们开发了一种基于离散时间（DT）归一化递归最小二乘法的CL算法，从而将CL与最小二乘法相结合。我们的算法不仅保留了标准归一化递归最小二乘算法对结构化与非结构化DT不确定性的性质，而且还能使参数误差收敛至原点。这是通过确保由函数逼近器回归量组成的矩阵具有与所述向量维度数相等的线性无关列向量来实现的，该条件可通过使用激励而非持续性激励向量进行在线监控与实现。对所提算法的数值仿真，包括其在为某类非线性连续时间与离散时间系统实现间接自适应控制器中的应用，证明了其价值。|(c) 2025 The Authors. Published by Elsevier Ltd. This is an open access article under the CC BY license (http://creativecommons.org/licenses/by/4.0/).
Keyword:
Identification methods
Iterative schemes
Concurrent learning
Discrete-time normalized recursive least squares
Adaptive systems
Adaptive control
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
5.9
论文数:
1.2W
被引数:
5.2W
机构
引用论文
.png){kind=icon}
分享收藏分享收藏
查看更多内容