이 논문은 이산 시간 매칭 불확실성 하에서 재귀적 근사 학습(RPL) 및 재귀적 최소 자승 방법(RLSFF)의 성능을 분석한다.
먼저 RPL 알고리즘을 제안하고, 약한 지속적 여기(PE) 조건 하에서 파라미터 추정치의 수렴성을 보인다. 이를 바탕으로 RPL 기반 적응 제어기가 유한한 후회를 달성함을 보인다.
다음으로 기존의 RLSFF 알고리즘을 분석하여, 강한 PE 조건 하에서 유한한 후회를 달성함을 보인다.
두 알고리즘의 후회 상한을 비교하면, RPL이 RLSFF보다 더 나은 성능을 보임을 확인할 수 있다.
마지막으로 모델 참조 적응 제어(MRAC) 문제에 두 알고리즘을 적용하여 수치 시뮬레이션을 통해 성능을 검증한다.
In eine andere Sprache
aus dem Quellinhalt
arxiv.org
Wichtige Erkenntnisse aus
by Aren Karapet... um arxiv.org 04-03-2024
https://arxiv.org/pdf/2404.02023.pdfTiefere Fragen