Publication

Optimal input design for direct data-driven tuning of model-reference controllers

Alireza Karimi, Simone Formentin
2013
Journal Articles

Résumé

In recent years, direct data-driven controller tuning methods have been proposed as an alternative to the standard model-based approach for model-reference control design. In this work, the problem of input design for noniterative direct data-driven techniques, namely Virtual Reference Feedback Tuning (VRFT) and noniterative Correlation-based Tuning (CbT), is investigated. For bounded input energy, the excitation signal is designed such that the expected value of the considered control cost is reduced. The above strategy is numerically tested on a benchmark example.

Source officielle

https://infoscience.epfl.ch/entities/publication/2a0b83ba-ea7f-420d-bef7-0d725550e3fd

À propos de ce résultat

Cette page est générée automatiquement et peut contenir des informations qui ne sont pas correctes, complètes, à jour ou pertinentes par rapport à votre recherche. Il en va de même pour toutes les autres pages de ce site. Veillez à vérifier les informations auprès des sources officielles de l'EPFL.

Graph Chat

Chattez avec Graph Search

Posez n’importe quelle question sur les cours, conférences, exercices, recherches, actualités, etc. de l’EPFL ou essayez les exemples de questions ci-dessous.

AVERTISSEMENT : Le chatbot Graph n'est pas programmé pour fournir des réponses explicites ou catégoriques à vos questions. Il transforme plutôt vos questions en demandes API qui sont distribuées aux différents services informatiques officiellement administrés par l'EPFL. Son but est uniquement de collecter et de recommander des références pertinentes à des contenus que vous pouvez explorer pour vous aider à répondre à vos questions.

Optimal input design for direct data-driven tuning of model-reference controllers

Chattez avec Graph Search

Design and implementation of a model-based hierarchical architecture for plasma shape control in the TCV tokamak

Navigating the Loop: From Control Systems to Neural Networks and Back

Data-Driven Controller Design for Atomic-Force Microscopy