Bibliographies thématiques / Subspace identification methods / Articles de revues

Articles de revues sur le sujet « Subspace identification methods »

Pour voir les autres types de publications sur ce sujet consultez le lien suivant : Subspace identification methods.
Auteur : Grafiati
Publié le 7 juillet 2024

Créez une référence correcte selon les styles APA, MLA, Chicago, Harvard et plusieurs autres

Choisissez une source :

Consultez les 50 meilleurs articles de revues pour votre recherche sur le sujet « Subspace identification methods ».

À côté de chaque source dans la liste de références il y a un bouton « Ajouter à la bibliographie ». Cliquez sur ce bouton, et nous générerons automatiquement la référence bibliographique pour la source choisie selon votre style de citation préféré : APA, MLA, Harvard, Vancouver, Chicago, etc.

Vous pouvez aussi télécharger le texte intégral de la publication scolaire au format pdf et consulter son résumé en ligne lorsque ces informations sont inclues dans les métadonnées.

Parcourez les articles de revues sur diverses disciplines et organisez correctement votre bibliographie.

1

Dalen, Christer, et David Di Ruscio. « On subspace system identification methods ». Modeling, Identification and Control : A Norwegian Research Bulletin 43, no 4 (2022) : 119–30. http://dx.doi.org/10.4173/mic.2022.4.1.

Texte intégral
Styles APA, Harvard, Vancouver, ISO, etc.
2

Viberg, Mats. « Subspace Methods in System Identification ». IFAC Proceedings Volumes 27, no 8 (juillet 1994) : 1–12. http://dx.doi.org/10.1016/s1474-6670(17)47689-0.

Texte intégral
Styles APA, Harvard, Vancouver, ISO, etc.
3

Joe Qin, S. « Subspace methods for system identification ». Automatica 43, no 4 (avril 2007) : 748–49. http://dx.doi.org/10.1016/j.automatica.2006.07.027.

Texte intégral
Styles APA, Harvard, Vancouver, ISO, etc.
4

Avcıoğlu, Sevil, Ali Türker Kutay et Kemal Leblebicioğlu. « Identification of Physical Helicopter Models Using Subspace Identification ». Journal of the American Helicopter Society 65, no 2 (1 avril 2020) : 1–14. http://dx.doi.org/10.4050/jahs.65.022001.

Texte intégral
Résumé :
Subspace identification is a powerful tool due to its well-understood techniques based on linear algebra (orthogonal projections and intersections of subspaces) and numerical methods like singular value decomposition. However, the state space model matrices, which are obtained from conventional subspace identification algorithms, are not necessarily associated with the physical states. This can be an important deficiency when physical parameter estimation is essential. This holds for the area of helicopter flight dynamics, where physical parameter estimation is mainly conducted for mathematical model improvement, aerodynamic parameter validation, and flight controller tuning. The main objective of this study is to obtain helicopter physical parameters from subspace identification results. To achieve this objective, the subspace identification algorithm is implemented for a multirole combat helicopter using both FLIGHTLAB simulation and real flight-test data. After obtaining state space matrices via subspace identification, constrained nonlinear optimization methodologies are utilized for extracting the physical parameters. The state space matrices are transformed into equivalent physical forms via the "sequential quadratic programming" nonlinear optimization algorithm. The required objective function is generated by summing the square of similarity transformation equations. The constraints are selected with physical insight. Many runs are conducted for randomly selected initial conditions. It can be concluded that all of the significant parameters can be obtained with a high level of accuracy for the data obtained from the linear model. This strongly supports the idea behind this study. Results for the data obtained from the nonlinear model are also evaluated to be satisfactory in the light of statistical error analysis. Results for the real flight-test data are also evaluated to be good for the helicopter modes that are properly excited in the flight tests.
Styles APA, Harvard, Vancouver, ISO, etc.
5

Miller, Daniel N., et Raymond A. de Callafon. « Subspace Identification From Classical Realization Methods ». IFAC Proceedings Volumes 42, no 10 (2009) : 102–7. http://dx.doi.org/10.3182/20090706-3-fr-2004.00016.

Texte intégral
Styles APA, Harvard, Vancouver, ISO, etc.
6

Mathieu, Pouliquen, et M'Saad Mohammed. « AN INTERPRETATION OF SUBSPACE IDENTIFICATION METHODS ». IFAC Proceedings Volumes 38, no 1 (2005) : 904–9. http://dx.doi.org/10.3182/20050703-6-cz-1902.00152.

Texte intégral
Styles APA, Harvard, Vancouver, ISO, etc.
7

Wani Jamaludin, Irma Wani Jamaludin, et Norhaliza Abdul Wahab. « Recursive Subspace Identification Algorithm using the Propagator Based Method ». Indonesian Journal of Electrical Engineering and Computer Science 6, no 1 (1 avril 2017) : 172. http://dx.doi.org/10.11591/ijeecs.v6.i1.pp172-179.

Texte intégral
Résumé :
<p>Subspace model identification (SMI) method is the effective method in identifying dynamic state space linear multivariable systems and it can be obtained directly from the input and output data. Basically, subspace identifications are based on algorithms from numerical algebras which are the QR decomposition and Singular Value Decomposition (SVD). In industrial applications, it is essential to have online recursive subspace algorithms for model identification where the parameters can vary in time. However, because of the SVD computational complexity that involved in the algorithm, the classical SMI algorithms are not suitable for online application. Hence, it is essential to discover the alternative algorithms in order to apply the concept of subspace identification recursively. In this paper, the recursive subspace identification algorithm based on the propagator method which avoids the SVD computation is proposed. The output from Numerical Subspace State Space System Identification (N4SID) and Multivariable Output Error State Space (MOESP) methods are also included in this paper.</p>
Styles APA, Harvard, Vancouver, ISO, etc.
8

Mohd-Mokhtar, Rosmiwati, et Liuping Wang. « Continuous time system identification using subspace methods ». ANZIAM Journal 48 (26 juin 2007) : 712. http://dx.doi.org/10.21914/anziamj.v47i0.1072.

Texte intégral
Styles APA, Harvard, Vancouver, ISO, etc.
9

Muradore, Riccardo, et Enrico Fedrigo. « SUBSPACE IDENTIFICATION METHODS APPLIED TO ADAPTIVE OPTICS ». IFAC Proceedings Volumes 39, no 1 (2006) : 943–48. http://dx.doi.org/10.3182/20060329-3-au-2901.00150.

Texte intégral
Styles APA, Harvard, Vancouver, ISO, etc.
10

van der Veen, Gijs, Jan-Willem van Wingerden, Marco Lovera, Marco Bergamasco et Michel Verhaegen. « Closed-loop subspace identification methods : an overview ». IET Control Theory & ; Applications 7, no 10 (4 juillet 2013) : 1339–58. http://dx.doi.org/10.1049/iet-cta.2012.0653.

Texte intégral
Styles APA, Harvard, Vancouver, ISO, etc.
11

Jansson, Magnus. « Asymptotic Variance Analysis of Subspace Identification Methods ». IFAC Proceedings Volumes 33, no 15 (juin 2000) : 91–96. http://dx.doi.org/10.1016/s1474-6670(17)39732-x.

Texte intégral
Styles APA, Harvard, Vancouver, ISO, etc.
12

Jansson, Magnus, et Bo Wahlberg. « On Consistency of Subspace System Identification Methods ». IFAC Proceedings Volumes 29, no 1 (juin 1996) : 4110–15. http://dx.doi.org/10.1016/s1474-6670(17)58324-x.

Texte intégral
Styles APA, Harvard, Vancouver, ISO, etc.
13

Picci, Giorgio. « Statistical Properties of Certain Subspace Identification Methods ». IFAC Proceedings Volumes 30, no 11 (juillet 1997) : 1043–49. http://dx.doi.org/10.1016/s1474-6670(17)42978-8.

Texte intégral
Styles APA, Harvard, Vancouver, ISO, etc.
14

Nováková, J., M. Hromčík et R. Jech. « Dynamic Causal Modeling and subspace identification methods ». Biomedical Signal Processing and Control 7, no 4 (juillet 2012) : 365–70. http://dx.doi.org/10.1016/j.bspc.2011.07.002.

Texte intégral
Styles APA, Harvard, Vancouver, ISO, etc.
15

Peternell, K., W. Scherrer et M. Deistler. « Statistical analysis of novel subspace identification methods ». Signal Processing 52, no 2 (juillet 1996) : 161–77. http://dx.doi.org/10.1016/0165-1684(96)00051-5.

Texte intégral
Styles APA, Harvard, Vancouver, ISO, etc.
16

Di Ruscio, David. « A Bootstrap Subspace Identification Method : Comparing Methods for Closed Loop Subspace Identification by Monte Carlo Simulations ». Modeling, Identification and Control : A Norwegian Research Bulletin 30, no 4 (2009) : 203–22. http://dx.doi.org/10.4173/mic.2009.4.2.

Texte intégral
Styles APA, Harvard, Vancouver, ISO, etc.
17

Ni, Zhiyu, Jinguo Liu et Zhigang Wu. « Identification of the time-varying modal parameters of a spacecraft with flexible appendages using a recursive predictor-based subspace identification algorithm ». Proceedings of the Institution of Mechanical Engineers, Part G : Journal of Aerospace Engineering 233, no 6 (26 avril 2018) : 2032–50. http://dx.doi.org/10.1177/0954410018770560.

Texte intégral
Résumé :
This study focuses on the recursive identification of the time-varying modal parameters of on-orbit spacecraft caused by structural configuration changes. For this purpose, an algorithm called recursive predictor-based subspace identification is applied as an alternative method to improve the computational efficiency and noise robustness, and to implement an online identification of system parameters. In the existing time-domain identification methods, the eigensystem realization algorithm and subspace identification methods are usually applied to obtain the on-orbit spacecraft modal parameters. However, these approaches are designed based on a time-invariant system and singular value decomposition, which require a significant amount of computational time. Thus, these methods are difficult to employ for online identification. According to the adaptive filter theory, the recursive predictor-based subspace identification algorithm can not only avoid the singular value decomposition computation but also provide unbiased estimates in a general noisy framework using the recursive least squares approach. Furthermore, in comparison with the classical projection approximation subspace tracking series recursive algorithm, the recursive predictor-based subspace identification method is more suitable for systems with strong noise disturbances. By establishing the dynamics model of a large rigid-flexible coupling spacecraft, three cases of on-orbit modal parameter variation with time are investigated, and the corresponding system frequencies are identified using the recursive predictor-based subspace identification, projection approximation subspace tracking, and singular value decomposition methods. The results demonstrate that the recursive predictor-based subspace identification algorithm can be used to effectively perform an online parameter identification, and the corresponding computational efficiency and noise robustness are better than those of the singular value decomposition and projection approximation subspace tracking series approaches, respectively. Finally, the applicability of this method is also verified through a numerical simulation.
Styles APA, Harvard, Vancouver, ISO, etc.
18

Chiuso, A. « Asymptotic Variance of Closed-Loop Subspace Identification Methods ». IEEE Transactions on Automatic Control 51, no 8 (août 2006) : 1299–314. http://dx.doi.org/10.1109/tac.2006.878703.

Texte intégral
Styles APA, Harvard, Vancouver, ISO, etc.
19

JANSSON, MAGNUS, et BO WAHLBERG. « On Consistency of Subspace Methods for System Identification ». Automatica 34, no 12 (décembre 1998) : 1507–19. http://dx.doi.org/10.1016/s0005-1098(98)80004-6.

Texte intégral
Styles APA, Harvard, Vancouver, ISO, etc.
20

Mercère, Guillaume, Laurent Bako et Stéphane Lecœuche. « Propagator-based methods for recursive subspace model identification ». Signal Processing 88, no 3 (mars 2008) : 468–91. http://dx.doi.org/10.1016/j.sigpro.2007.09.012.

Texte intégral
Styles APA, Harvard, Vancouver, ISO, etc.
21

Gustafsson, Tony. « System Identification Using Subspace-Based Instrumental Variable Methods ». IFAC Proceedings Volumes 30, no 11 (juillet 1997) : 1069–74. http://dx.doi.org/10.1016/s1474-6670(17)42982-x.

Texte intégral
Styles APA, Harvard, Vancouver, ISO, etc.
22

Takei, Yoshinori, Hidehito Nanto, Shunshoku Kanae, Zi-Jiang Yang et Kiyoshi Wada. « Subspace-based identification methods using schur complement approach ». IFAC Proceedings Volumes 36, no 16 (septembre 2003) : 879–84. http://dx.doi.org/10.1016/s1474-6670(17)34871-1.

Texte intégral
Styles APA, Harvard, Vancouver, ISO, etc.
23

Lindquist, Anders, et Giorgio Picci. « On “Subspace Methods” Identification and Stochastic Model Reduction ». IFAC Proceedings Volumes 27, no 8 (juillet 1994) : 693–99. http://dx.doi.org/10.1016/s1474-6670(17)47790-1.

Texte intégral
Styles APA, Harvard, Vancouver, ISO, etc.
24

Ba, Teng Yue, Xi Qiang Guan et Jian Wu Zhang. « Identification of Linear Tire Cornering Stiffness Using Subspace Methods ». Applied Mechanics and Materials 701-702 (décembre 2014) : 492–97. http://dx.doi.org/10.4028/www.scientific.net/amm.701-702.492.

Texte intégral
Résumé :
In this paper, subspace identification methods are proposed to estimate the linear tire cornering stiffness, which are only based on the road tests data without any prior knowledge. This kind of data-driven method has strong robustness. In order to validate the feasibility and effectiveness of the algorithms, a series of standard road tests are carried out. Comparing with different subspace algorithms used in road tests, it can be concluded that the front tire cornering stiffness can be estimated accurately by the N4SID and CCA methods when the double lane change test data are taken into analysis.
Styles APA, Harvard, Vancouver, ISO, etc.
25

Shokravi, Hoofar, Hooman Shokravi, Norhisham Bakhary, Seyed Saeid Rahimian Koloor et Michal Petrů. « A Comparative Study of the Data-Driven Stochastic Subspace Methods for Health Monitoring of Structures : A Bridge Case Study ». Applied Sciences 10, no 9 (30 avril 2020) : 3132. http://dx.doi.org/10.3390/app10093132.

Texte intégral
Résumé :
Subspace system identification is a class of methods to estimate state-space model based on low rank characteristic of a system. State-space-based subspace system identification is the dominant subspace method for system identification in health monitoring of the civil structures. The weight matrices of canonical variate analysis (CVA), principle component (PC), and unweighted principle component (UPC), are used in stochastic subspace identification (SSI) to reduce the complexity and optimize the prediction in identification process. However, researches on evaluation and comparison of weight matrices’ performance are very limited. This study provides a detailed analysis on the effect of different weight matrices on robustness, accuracy, and computation efficiency. Two case studies including a lumped mass system and the response dataset of the Alamosa Canyon Bridge are used in this study. The results demonstrated that UPC algorithm had better performance compared to two other algorithms. It can be concluded that though dimensionality reduction in PC and CVA lingered the computation time, it has yielded an improved modal identification in PC.
Styles APA, Harvard, Vancouver, ISO, etc.
26

Lawal, Abdulmajid, Qadri Mayyala, Karim Abed-Meraim, Naveed Iqbal et Azzedine Zerguine. « Toeplitz structured subspace for multi-channel blind identification methods ». Signal Processing 188 (novembre 2021) : 108152. http://dx.doi.org/10.1016/j.sigpro.2021.108152.

Texte intégral
Styles APA, Harvard, Vancouver, ISO, etc.
27

Chiuso, Alessandro. « ASYMPTOTIC EQUIVALENCE OF CERTAIN CLOSED LOOP SUBSPACE IDENTIFICATION METHODS ». IFAC Proceedings Volumes 39, no 1 (2006) : 297–302. http://dx.doi.org/10.3182/20060329-3-au-2901.00042.

Texte intégral
Styles APA, Harvard, Vancouver, ISO, etc.
28

Zhao, Y., D. T. Westwick et R. E. Kearney. « Subspace Methods for Identification of Human Ankle Joint Stiffness ». IEEE Transactions on Biomedical Engineering 58, no 11 (novembre 2011) : 3039–48. http://dx.doi.org/10.1109/tbme.2010.2092430.

Texte intégral
Styles APA, Harvard, Vancouver, ISO, etc.
29

Lang Tong et S. Perreau. « Multichannel blind identification : from subspace to maximum likelihood methods ». Proceedings of the IEEE 86, no 10 (1998) : 1951–68. http://dx.doi.org/10.1109/5.720247.

Texte intégral
Styles APA, Harvard, Vancouver, ISO, etc.
30

Chiuso, Alessandro, et Giorgio Picci. « PREDICTION ERROR VS SUBSPACE METHODS IN CLOSED LOOP IDENTIFICATION ». IFAC Proceedings Volumes 38, no 1 (2005) : 506–11. http://dx.doi.org/10.3182/20050703-6-cz-1902.00085.

Texte intégral
Styles APA, Harvard, Vancouver, ISO, etc.
31

Hu, Y., et S. Yurkovich. « Linear parameter varying battery model identification using subspace methods ». Journal of Power Sources 196, no 5 (mars 2011) : 2913–23. http://dx.doi.org/10.1016/j.jpowsour.2010.10.072.

Texte intégral
Styles APA, Harvard, Vancouver, ISO, etc.
32

Viberg, M., B. Ottersten, B. Wahlberg et L. Ljung. « Performance of Subspace Based State-Space System Identification Methods ». IFAC Proceedings Volumes 26, no 2 (juillet 1993) : 63–66. http://dx.doi.org/10.1016/s1474-6670(17)48223-1.

Texte intégral
Styles APA, Harvard, Vancouver, ISO, etc.
33

Bittanti, Sergio, et Marco Lovera. « Bootstrap-based estimates of uncertainty in subspace identification methods ». Automatica 36, no 11 (novembre 2000) : 1605–15. http://dx.doi.org/10.1016/s0005-1098(00)00081-9.

Texte intégral
Styles APA, Harvard, Vancouver, ISO, etc.
34

Scherrer, Wolfgang, et Christiaan Heij. « Identification of factor models by behavioural and subspace methods ». Systems & ; Control Letters 32, no 5 (décembre 1997) : 335–44. http://dx.doi.org/10.1016/s0167-6911(97)00088-1.

Texte intégral
Styles APA, Harvard, Vancouver, ISO, etc.
35

Jansson, Magnus, et Bo Wahlberg. « Counterexample to General Consistency of Subspace System Identification Methods ». IFAC Proceedings Volumes 30, no 11 (juillet 1997) : 1573–78. http://dx.doi.org/10.1016/s1474-6670(17)43066-7.

Texte intégral
Styles APA, Harvard, Vancouver, ISO, etc.
36

Picci, Giorgio, et Tohru Katayama. « Stochastic realization with exogenous inputs and ‘subspace-methods’ identification ». Signal Processing 52, no 2 (juillet 1996) : 145–60. http://dx.doi.org/10.1016/0165-1684(96)00050-3.

Texte intégral
Styles APA, Harvard, Vancouver, ISO, etc.
37

Westwick, David, et Michel Verhaegen. « Identifying MIMO Wiener systems using subspace model identification methods ». Signal Processing 52, no 2 (juillet 1996) : 235–58. http://dx.doi.org/10.1016/0165-1684(96)00056-4.

Texte intégral
Styles APA, Harvard, Vancouver, ISO, etc.
38

Chiuso, Alessandro, et Giorgio Picci. « Consistency analysis of some closed-loop subspace identification methods ». Automatica 41, no 3 (mars 2005) : 377–91. http://dx.doi.org/10.1016/j.automatica.2004.10.015.

Texte intégral
Styles APA, Harvard, Vancouver, ISO, etc.
39

Luo, Xiaosuo, et Yongduan Song. « Adaptive Predictive Control : A Data-Driven Closed-Loop Subspace Identification Approach ». Abstract and Applied Analysis 2014 (2014) : 1–11. http://dx.doi.org/10.1155/2014/869879.

Texte intégral
Résumé :
This paper presents a data-driven adaptive predictive control method using closed-loop subspace identification. As the predictor is the key element of the predictive controller, we propose to derive such predictor based on the subspace matrices which are obtained through the closed-loop subspace identification algorithm driven by input-output data. Taking advantage of transformational system model, the closed-loop data is effectively processed in this subspace algorithm. By combining the merits of receding window and recursive identification methods, an adaptive mechanism for online updating subspace matrices is given. Further, the data inspection strategy is introduced to eliminate the negative impact of the harmful (or useless) data on the system performance. The problems of online excitation data inaccuracy and closed-loop identification in adaptive control are well solved in the proposed method. Simulation results show the efficiency of this method.
Styles APA, Harvard, Vancouver, ISO, etc.
40

Heres, P. J., D. Deschrijver, W. H. A. Schilders et T. Dhaene. « Combining Krylov subspace methods and identification-based methods for model order reduction ». International Journal of Numerical Modelling : Electronic Networks, Devices and Fields 20, no 6 (2007) : 271–82. http://dx.doi.org/10.1002/jnm.644.

Texte intégral
Styles APA, Harvard, Vancouver, ISO, etc.
41

Moulines, E., P. Duhamel, J. F. Cardoso et S. Mayrargue. « Subspace methods for the blind identification of multichannel FIR filters ». IEEE Transactions on Signal Processing 43, no 2 (1995) : 516–25. http://dx.doi.org/10.1109/78.348133.

Texte intégral
Styles APA, Harvard, Vancouver, ISO, etc.
42

Schrempf, Andreas, et Vincent Verdult. « IDENTIFICATION OF APPROXIMATIVE NONLINEAR STATE-SPACE MODELS BY SUBSPACE METHODS ». IFAC Proceedings Volumes 38, no 1 (2005) : 934–39. http://dx.doi.org/10.3182/20050703-6-cz-1902.00157.

Texte intégral
Styles APA, Harvard, Vancouver, ISO, etc.
43

TAKEI, Yoshinori, Jun IMAI et Kiyoshi WADA. « Recursive Computation for Error Covariance Matrix in Subspace Identification Methods ». Proceedings of the ISCIE International Symposium on Stochastic Systems Theory and its Applications 2000 (5 mai 2000) : 19–24. http://dx.doi.org/10.5687/sss.2000.19.

Texte intégral
Styles APA, Harvard, Vancouver, ISO, etc.
44

Juricek, Ben C., Dale E. Seborg et Wallace E. Larimore. « Identification of the Tennessee Eastman Challenge Process with Subspace Methods ». IFAC Proceedings Volumes 33, no 15 (juin 2000) : 409–14. http://dx.doi.org/10.1016/s1474-6670(17)39785-9.

Texte intégral
Styles APA, Harvard, Vancouver, ISO, etc.
45

Dahlén, Anders, Anders Lindquist et Jorge Mari. « Experimental evidence showing that stochastic subspace identification methods may fail ». Systems & ; Control Letters 34, no 5 (juillet 1998) : 303–12. http://dx.doi.org/10.1016/s0167-6911(98)00020-6.

Texte intégral
Styles APA, Harvard, Vancouver, ISO, etc.
46

Zhang, Chengjin, et Robert R. Bitmead. « Multiple Antenna System Equalization Using Semi-Blind Subspace Identification Methods ». IFAC Proceedings Volumes 36, no 16 (septembre 2003) : 591–96. http://dx.doi.org/10.1016/s1474-6670(17)34826-7.

Texte intégral
Styles APA, Harvard, Vancouver, ISO, etc.
47

Ljung, Lennart. « Aspects and Experiences of User Choices in Subspace Identification Methods ». IFAC Proceedings Volumes 36, no 16 (septembre 2003) : 1765–70. http://dx.doi.org/10.1016/s1474-6670(17)35015-2.

Texte intégral
Styles APA, Harvard, Vancouver, ISO, etc.
48

Juricek, Ben C., Dale E. Seborg et Wallace E. Larimore. « Identification of the Tennessee Eastman challenge process with subspace methods ». Control Engineering Practice 9, no 12 (décembre 2001) : 1337–51. http://dx.doi.org/10.1016/s0967-0661(01)00124-1.

Texte intégral
Styles APA, Harvard, Vancouver, ISO, etc.
49

Skullestad, A., et O. Hallingstad. « Identification of vibration parameters in a spacecraft using subspace methods ». Control Engineering Practice 5, no 4 (avril 1997) : 507–16. http://dx.doi.org/10.1016/s0967-0661(97)00030-0.

Texte intégral
Styles APA, Harvard, Vancouver, ISO, etc.
50

Türkay, Semiha, et Hüseyin Akçay. « Road Roughness Evaluation by Curve-Fitting and Subspace-Identification Methods ». Journal of Transportation Engineering 142, no 11 (novembre 2016) : 04016050. http://dx.doi.org/10.1061/(asce)te.1943-5436.0000877.

Texte intégral
Styles APA, Harvard, Vancouver, ISO, etc.
Vous pouvez également être intéressé par les bibliographies sur le sujet « Subspace identification methods » pour d’autres types de sources :
Thèses
Nous offrons des réductions sur tous les plans premium pour les auteurs dont les œuvres sont incluses dans des sélections littéraires thématiques. Contactez-nous pour obtenir un code promo unique!

Vers la bibliographie