一种自适应步长的复合梯度加速优化算法

自适应步长加速(Adam)类算法由于其计算效率高、兼容性好的特点,成为近期相关领域的研究热点.针对Adam收敛速度慢的问题,本文基于当前梯度、预测梯度以及历史动量梯度,提出一种新型Adam类一阶优化算法——复合梯度下降法(C-Adam),并对其收敛性进行了理论证明.与其他加速算法的区别之处在于,C-Adam将预测梯度与历史动量区别开,通过一次真实的梯度更新找到下一次迭代更精准的搜索方向.利用两组常用测试数据集及45钢静拉伸破坏实验的实验数据对所提算法进行验证,实验结果表明CAdam与其他流行算法相比较具有更快的收敛速度及更小的训练损失.

永磁同步电机的复合控制及参数自整定研究

针对常规的比例-积分-微分(PID)控制器性能不足,以及PID参数手动调整不便等问题,对前馈控制结构及径向基函数(RBF)神经网络进行了研究,提出了一种"三闭环+前馈"的复合PID控制结构。利用RBF神经网络对控制系统进行了在线辨识,结合梯度下降法对控制器的PID参数进行了自动调整,并在实验平台上进行了常规的三闭环PID控制器和"三闭环+前馈"的复合PID控制器的对比实验,以及位置环PID参数自整定的实验。研究结果表明:相比于常规PID控制结构,复合控制结构的位置响应性能提高了12%,速度响应性能提高了31%;利用RBF神经网络能够实现PID参数的自整定,且整定效果较好。