Influence of Hyperparameters Choice for Neural Flux Linkage Model of Synchronous Machines

Abstract

A proper choice of hyperparameters is crucial in machine learning approaches. In this paper, we investigate the influence of hyperparameters of a neural flux linkage model on a quality of this model and model’s prediction capabilities. Specifically, we compare several different setups for number of hidden layers and number of neurons in these layers. The universal NeuralODE architecture is used for the neural flux linkage model. The results are validated on a real data of IPMSM.

Vhodná volba hyperparametrů je zásadní v přístupech strojového učení. V tomto článku zkoumáme vliv hyperparametrů neuronového modelu spřaženého toku na kvalitu tohoto modelu a schopnosti jeho predikce. Konkrétně srovnáváme několik různých nastavení počtu skrytých vrstev a počtu neuronů v těchto vrstvách. Universální neuronová architektura pro ODR (neuralODE) je použita pro neuronový model spřaženého toku. Výsledky jsou validovány na reálných datech IPMSM.