Fast H-infinty Control of Uncertain 2D Roesser Systems: A Learning-Driven LMI Approximation Approach
Dit artikel stelt een door machine learning ondersteund framework voor dat de computationeel intensieve online LMI-optimalisatie vervangt door een getraind superieur model om snel state-feedback winsten te voorspellen voor vertragingsafhankelijke H-infinity controle van onzekere 2-D Roesser-systemen, waarbij vergelijkbare stabiliteit en verstoringonderdrukking worden bereikt met een significant verbeterde efficiëntie voor real-time toepassingen.