摘要:针对同步磁阻电机运行过程中严重的转矩脉动问题，提出一种基于机器学习的同步磁阻电机转子结构多目标智能优化方法。首先，通过磁路分析获得同步磁阻电机待优化转子结构参数，并利用有限元法进行敏感度分析，确定待优化变量与范围。其次，引入深度神经网络建立同步磁阻电机非参数快速计算模型，构建待优化变量与转矩之间的非线性映射关系，完成电机电磁特性精确建模。在此基础上，提出一种基于强化学习的改进粒子群算法，根据强化学习中奖励函数机制在线调整优化算法的学习因子，提高粒子群算法的收敛速度和全局寻优精度。最后，以最小化转矩脉动和提高平均转矩为优化目标，采用改进粒子群算法与深度神经网络模型，实现同步磁阻电机转子结构参数的多工况全局优化。仿真与实验结果表明，所提出方法优化后的同步磁阻电机相较初始电机模型，不仅具有更低的转矩脉动，而且平均转矩输出略有增加。

摘要:传统的人员行为识别中,通过人工特征对人员行为进行分类。 这些方法仅能够利用较浅层次的特征,其识别准确率有限。 提出通过卷积长短时深度神经网络(convolutional long short-term deep neural networks, CLDNN)进行人员行为识别,并用新的 GRU 门控单元代替传统的 LSTM 门控单元提高网络效率。 利用该网络结构,既可提取惯性数据中多层次特征,也可充分利用时间序列相关性。 通过开源数据集的实验证明,该方法相比于传统的卷积网络和基于 LSTM 门控循环神经网络的识别准确率分别提高了约 3%和 7%;用 GRU 门控单元代替 LSTM 单元后,所需的训练时间和前向的识别时间分别下降了 14%和 10%。