.png){kind=icon}
返回
An improved Adam Algorithm for BP neural network feedforward compensation control
.png){kind=icon}
PRE
AI
DOI：10.1177/09544062251400654.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
为解决在BP神经网络（BP-NN）前馈补偿控制中跟踪阶跃信号时，被控对象逆模型（IM）学习与训练存在的收敛速度慢、收敛精度低问题，导致控制系统动态和稳态性能不佳，本研究提出了一种基于改进Adam算法（IADAM）的BP-NN前馈补偿控制方法。该方法引入基于Adam算法的动态学习率调整机制，根据神经网络训练参数梯度分阶段调整学习率。当梯度超过预设阈值时，通过调整函数动态增大学习率以加速IM收敛；当梯度低于阈值时，保留梯度的最大历史二阶矩估计值以维持较低学习率，从而提高IM收敛精度。控制系统由PID控制器、神经网络控制器（NNC）和基于IADAM的神经网络辨识器（IADNNI）组成。PID控制器提供在线学习样本，IADNNI在线学习被控系统的IM，而NNC与IADNNI共享相同结构和参数，生成实时补偿控制信号。在直流伺服电机位置控制平台的实验结果表明，所提出的控制方法在跟踪连续阶跃信号和方波信号时均实现零超调，相比ADAM + BP + PID控制方法，调节时间分别减少了60.05%和39.53%，显著提升了控制系统的动态和稳态性能。
Keyword:
feedforward compensation control
Adam algorithm
BP neural network
learning rate adjustment
step signal
期刊
机构
引用论文
An Improvement of Adam Based on a Cyclic Exponential Decay Learning Rate and Gradient Norm Constraints基于周期性指数衰减学习率和梯度范数约束的Adam改进.png)
Electronics
OAAI
ElectronicsIF0
OAAI分享收藏Inverse compensation mechanism-based adaptive fuzzy-neural fault-tolerant control for an uncertain quadrotor UAV基于逆补偿机制的不确定四旋翼无人机自适应模糊神经容错控制
PREAI
分享收藏Attention Is All You Need In Speech SeparationICASSP 2021 - 2021 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP)
OAAI
ICASSP 2021 - 2021 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP)IF0
OAAI分享收藏Dynamic Event-Triggered Control for a Class of Uncertain Strict-Feedback Systems via an Improved Adaptive Neural Networks Backstepping Approach通过改进的自适应神经网络Backstepping方法对一类不确定严格反馈系统进行动态事件触发控制
PREAI
分享收藏
查看更多内容