325 papers
Dit artikel introduceert de Frequency-Separable Hamiltonian Neural Network (FS-HNN), een architectuur die de Hamiltoniaan parameteriseert via meerdere netwerken voor verschillende tijdschalen om zo de beperkingen van bestaande methoden bij het modelleren van complexe multi-tijdschaal dynamica te overwinnen en de generalisatie voor ODE's en PDE's te verbeteren.
Dit paper introduceert CLAIRE, een hybride deep learning-framework voor slimme fabricage dat een geoptimaliseerde autoencoder combineert met een classifier en speltheoretische interpretatie voor nauwkeurige en verklaarbare foutdetectie in complexe industriële omgevingen.
Dit paper introduceert 'control barrier corridors', een nieuw concept dat functionele control barrier-functies en geometrische veilige bewegingscorridors verenigt door de eerste om te zetten in lokale veilige doelgebieden voor referentiedoelkeuze, waardoor veilige en persistente padvolging in onbekende omgevingen mogelijk wordt.
Dit artikel presenteert een adaptieve data-gedreven min-max modelvoorspellende regeling voor discrete lineaire tijdvariërende systemen die, gebruikmakend van online input-staatdata en een semidefinite programmering, een stabiele en aan constraints gebonden regeling garandeert, inclusief een robuuste uitbreiding voor systemen met procesruis.
Deze paper breidt een eerder voorgesteld hybride digitaal-analoge MU-MIMO-architectuur uit met een pragmatische codebookontwerp voor AMAF-RIS-modules en een laag-complexiteit basisbandvoorspellingsschema, waarmee hoge spectrale efficiëntie wordt bereikt onder realistische mmWave-kanaalcondities terwijl volledige compatibiliteit met 3GPP 5G NR-beamacquisitie wordt gewaarborgd.
Dit artikel introduceert een nieuw raamwerk voor onzekerheidsbewuste adaptieve dynamiek voor onderwatervoertuig-manipulatorsystemen dat online parameterschatting combineert met convexe fysieke consistentie, wat resulteert in nauwkeurige en betrouwbare modellen voor controle en simulatie in complexe onderwateromgevingen.
Dit artikel introduceert een methode voor efficiënte schatting van interferentiegrafieken in draadloze sensornetwerken door zendingen en data-overdracht te combineren via concurrent flooding en sturing van zendvermogen, waardoor de meetkosten worden verlaagd en bestaande scheduling-algoritmen praktischer toepasbaar worden.
Dit paper introduceert DDKL-PT, een decentraal raamwerk waarbij agents in een multi-agent systeem via uitwisseling van lokale dynamische schattingen (in plaats van ruwe data) een gezamenlijk Koopman-dynamisch model leren voor effectieve modelpredictieve regeling.
Dit artikel presenteert een robuuste stabilisatiemethode voor lineaire hyperbolische partiële differentiaalvergelijkingen met Markov-springende parameteronzekerheid, waarbij backstepping-kernen worden benaderd met neurale operatoren om de rekenkundige efficiëntie te verhogen en de gemiddelde-kwadratische exponentiële stabiliteit te garanderen.
Dit paper introduceert SHIELD, een host-onafhankelijk framework dat diepe filesystem-metrics analyseert op opslagcontroller-niveau om ransomware-activiteit met hoge nauwkeurigheid te detecteren en te mitigeren, zelfs wanneer het besturingssysteem is gecompromitteerd.
Dit paper introduceert de Geometric SSM, een selectief sequentie-model dat gebaseerd is op lineaire tijd-invariante systemen en principes uit de geometrische besturingstheorie, waarmee het in staat is om relevante informatie te filteren en complexe patronen te herkennen zonder de dynamische matrices in de tijd te laten variëren, wat leidt tot superieure prestaties op specifieke taken vergeleken met Mamba.
Deze paper introduceert een nieuw multi-agent reinforcement learning-algoritme dat de sample-efficiëntie verbetert door selectieve exploratie op basis van ensemble-kurtosis, een afgekapt TD()-trainingsmechanisme voor de critic en een gemengde actor-training, wat resulteert in superieure prestaties ten opzichte van bestaande methoden op standaard benchmarks.
Dit artikel onderzoekt de identificeerbaarheid van netwerktopologieën in niet-lineaire dynamische systemen, zoals Kuramoto-oscillatoren, door aan te tonen dat semicontractie in de waarneembare ruimte voldoende is om systemen met verschillende structuren ononderscheidbaar te maken op basis van gedeeltelijke metingen.
Dit artikel onderzoekt de beperkingen bij het uniek identificeren van de structuur van netwerkgestuurde lineaire systemen uit partiële metingen, waarbij wordt aangetoond hoe de ruimte van mogelijke netwerken samenhangt met de nulruimte van de observabiliteitsmatrix en dat reeds het observeren van meer dan 6% van de knopen leidt tot een correcte classificatie van ongeveer 99% van de verbindingen.
Dit artikel introduceert een lichtgewicht, modelvrije aanpak voor online slipdetectie en schatting van de wiel-rijbaanwrijvingscoëfficiënt bij autonoom racen, die uitsluitend IMU- en LiDAR-metingen gebruikt om nauwkeurige resultaten te behalen zonder gedetailleerde dynamische modellen of trainingsdata.
Dit artikel presenteert een raamwerk voor het beheer van conflicten tussen xApps in O-RAN, dat uitlegbare machine learning en causale inferentie combineert om conflicterende RAN-besturingsparameters te identificeren en hun impact op netwerkprestaties te kwantificeren.
Dit artikel introduceert een multi-periode sparse-optimalisatiemethode die persistente kwetsbaarheden in elektriciteitsnetten proactief identificeert door middel van circuitgebaseerde modellen en heuristieken, waardoor de schaalbaarheid voor grote systemen wordt gegarandeerd en de resilientie tegen extreme gebeurtenissen wordt versterkt.
Dit artikel introduceert en valideert experimenteel een praktisch framework met een geleidende amplitude- en fase-matrix dat het emuleren van meerdere doelen met willekeurige kenmerken mogelijk maakt voor het testen van geïntegreerde sensatie- en communicatie (ISAC) basisstations in gecontroleerde laboratoriumomgevingen.
Dit artikel introduceert een semantisch geleide fuzzy-regelframework dat Large Language Models koppelt aan interpreteerbare besturing en semantische communicatie om de samenwerking van meerroboten onder water te verbeteren voor efficiënte dekking en navigatie naar interessante objecten in GPS-ontkende omgevingen.
Deze brief introduceert twee nieuwe FrBD-frictiemodellen gebaseerd op de veralgemeende Maxwell- en Kelvin-Voigt-visco-elastische modellen, analyseert hun begrensdheid en passiviteit, en demonstreert de toepassing voor controleontwerp in de robotica.