本文涉及未知离散时间非线性系统动态的有限时间学习的问题，而无需持久性激发。提出了一种有限时间的并发学习方法，以通过采用当前数据以及录制的经验丰富的数据，以满足记录的丰富度的易于检查等级条件的记录经验丰富的数据来近似离散时间非线性系统的不确定性与励磁条件持久性相比，数据不太限制。严格的证据保证了估计参数的有限时间收敛到基于离散时间的Lyapunov分析的优化值。与文献中的现有工作相比，仿真结果说明了所提出的方法可以及时，精确地近似于不确定性。
translated by 谷歌翻译
在这项工作中，借用编码器数据的学习框架的功能可以预测在漫长的未来视野中的软失败演化。这使得在发生昂贵的硬失败之前，可以通过低质量（QOT）利润来触发及时的维修操作，最终降低了维修操作的频率和相关的运营费用。具体而言，结果表明，所提出的方案能够在预期的艰苦失败前几天触发修复动作，与使用基于规则的固定QOT边缘的软失败检测方案相反，这可能会导致过早维修措施（即，在发生艰苦的事件发生之前的几个月）或修复为时已晚采取的措施（即发生艰苦失败之后）。在弹性光学网络中建立的LightPath评估并比较了两个框架，可以通过分析在相干接收器中监视的位误差信息来对软失败的演变进行建模。
translated by 谷歌翻译