文獻標識碼: A
DOI:10.16157/j.issn.0258-7998.2016.03.037
中文引用格式: 賈志杰,,劉凡,,甘德剛. 高斯改進和聲搜索FLFNN無源電子元件信號檢測[J].電子技術(shù)應用,2016,,42(3):132-136,,140.
英文引用格式: Jia Zhijie,Liu Fan,,Gan Degang. Gauss improved harmony search algorithm based passive electronic components FLFNN signal detection[J].Application of Electronic Technique,,2016,42(3):132-136,,140.
0 引言
在計算機輔助設計系統(tǒng)中,,傳感器的設計效率以及測量傳感器對于不同系統(tǒng)的普適性很大程度上取決于電子元件模型的準確性[1],。由于電子元件對于安裝條件的依賴性,作為模型效率的重要評價參數(shù),,其高頻參數(shù)估計具有很大的依賴性,。此外,該模型還要考慮如何使模型參數(shù)保持足夠的穩(wěn)定性,。與此同時,,神經(jīng)網(wǎng)絡作為一種常用的建模工具將被采用,并以無源電子元件為例研究建立性能優(yōu)異的神經(jīng)網(wǎng)絡模型,。
影響神經(jīng)網(wǎng)絡模型精度的主要因素有兩個:一是良好的網(wǎng)絡拓撲結(jié)構(gòu),;二是優(yōu)異的參數(shù)學習算法。目前經(jīng)典的算法是反向傳播(BP)學習算法[2],,但是BP算法采用的最速下降算法容易使參數(shù)陷于局部極值而無法跳出,,如何進行參數(shù)的全局尋優(yōu)是提高神經(jīng)網(wǎng)絡應用效果的關(guān)鍵。由于該缺點的存在導致即使具有較好的網(wǎng)絡拓撲結(jié)構(gòu)也存在性能表現(xiàn)不佳的情況出現(xiàn),。
為解決這個問題,,有關(guān)學者對智能優(yōu)化算法應用到神經(jīng)網(wǎng)絡參數(shù)優(yōu)化進行很多研究。如文獻[3~5]等分別結(jié)合差分進化、遺傳算法和粒子群算法對神經(jīng)網(wǎng)絡進行參數(shù)優(yōu)化,,取得一定效果,。本文相對于上述文獻的創(chuàng)新點在于,一是采用和聲搜索算法對神經(jīng)網(wǎng)絡參數(shù)進行優(yōu)化,,采用高斯方式對和聲搜索算法進行改進,,并且給出其理論分析;二是設計泛函連接模糊神經(jīng)網(wǎng)絡拓撲結(jié)構(gòu),,利用泛函連接作為模糊神經(jīng)網(wǎng)絡的模糊規(guī)則,,力求獲得更加準確的模型。
1 泛函鏈接模糊神經(jīng)網(wǎng)絡
本節(jié)主要介紹使用輸入變量非線性組合的FLFNN網(wǎng)絡結(jié)構(gòu)[6],。圖1給出了該FLFNN網(wǎng)絡的結(jié)構(gòu)圖,,F(xiàn)LNFN模型通過以下形式實現(xiàn)了if-then的模糊規(guī)則[7]:
式中,mij,、σij分別為FLFNN網(wǎng)絡模糊集高斯隸屬度函數(shù)的均值和方差,。
第三層:該層節(jié)點從第二層節(jié)點中接收一維隸屬度的關(guān)聯(lián)規(guī)則,這里的節(jié)點操作結(jié)果將作為先前描述的模糊規(guī)則的先決條件,,則該層節(jié)點的推理輸出規(guī)則可表述為:
其中,,ωkj為泛函鏈接神經(jīng)網(wǎng)絡相應的鏈接權(quán)重,φk為輸入變量的功能表示,,而功能擴展部分采用三角多項式基函數(shù),,因此基函數(shù)的數(shù)量M=3×N,N為輸入變量的個數(shù),。此外,,泛函鏈接神經(jīng)網(wǎng)絡的輸出節(jié)點數(shù)量取決于FLFNN模型的模糊規(guī)則數(shù)。
第五層:該層節(jié)點的輸出值,,相當于是對第三層和第四層節(jié)點模糊規(guī)則的解模糊作用,,其輸出形式可表述為[8]:
式中,R為模糊規(guī)則的數(shù)量,,y為FLFNN模型的最終輸出結(jié)果,。
2 FLFNN模型學習算法
2.1 標準和聲搜索算法
優(yōu)化過程與音樂的制作有很多相似的因素,有關(guān)學者于2001年提出模仿音樂編寫的和聲搜索算法[9-10],。引入和聲存儲(HM),、存儲器大小(HMS)、參照率(HMCR),、間距調(diào)整率(PAR)及寬度調(diào)整率(bw)等,。具體步驟如下[11]:
(1)(初始化)目標函數(shù)輸入向量被存儲在向量中,并提供每個輸入變量取值范圍,。HMS大小的向量根據(jù)式(16)產(chǎn)生,,并存儲在HM中:
(2)(即興創(chuàng)作)新的向量個體的即興產(chǎn)生過程可采取如下策略,,首先,由算法決定是在HM存儲器中選取已有的向量,,還是根據(jù)HMCR產(chǎn)生一個全新的向量,。然后,若選取已有向量,,則根據(jù)參數(shù)PAR和bw對向量進行適當調(diào)整(如式(17)),。
(3)(HM更新)計算新向量個體及原向量個體的適應度進行對比,采用精英選擇策略選取適應度更佳的向量個體,,完成對HM的更新。
(4)(終止判斷)檢查當前存儲的最優(yōu)向量的適應值是否滿足終止條件,,如果是則停止算法進化,,輸出最優(yōu)值;否則,,返回步驟(2)的即興創(chuàng)作階段,。
2.2 高斯改進和聲搜索算法
文獻[8]已證明和聲搜索算法已具備很好的收斂速度,盡管如此,,和聲搜索算法仍然具有改進的余地,,如文獻[12,13]等,。本文首先針對算法中寬度調(diào)整率bw為定值,,無法反應進化初期和后期的區(qū)別的問題,引入變步長bw,;其次,,將高斯因子引入即興創(chuàng)作過程。引入控制參數(shù)α定義如下:
2.3 理論分析
為簡化理論分析,,假設HM中所有的向量xi都是1維的:
式中,,[a,b]為向量個體x的搜索空間,,x(var),、y(var)分別代表向量x及適應值y的方差。當E(y(var))過大時,,算法注重探索能力,,但相應地會影響算法收斂,甚至導致算法發(fā)散,。因為1/HMS取值很小,,并且HMCR趨向1,則式(16)可簡化為:
參數(shù)α隨著迭代的增加逐漸減小,,有助于E(y(var))的收斂,。而參數(shù)g作用是其服從高斯分布,,也就是α2g2并非一致性降低的,而是有一定概率增加,,這樣就有助于平衡算法探索和開發(fā)的關(guān)系,。
3 無源電子元件的FLFNN模型信號檢測
3.1 問題描述
源電子元件的高頻參數(shù)根據(jù)與之連接的設備測量信號結(jié)果進行定義,如圖2所示,?;诰仃囀降娜デ度胄史椒梢韵娮釉蜏y量平面與接觸片邊界移動的影響(圖2中部件6)。
電子元件的接觸焊盤的位置,,以及用于形成微波器件的拓撲結(jié)構(gòu)的基板類型和參數(shù)在工程師設計過程中都是經(jīng)常變化的,。因此,此類無源電子元件的應用會受到特定測量環(huán)境下波散射參數(shù)的影響和限制,,此外現(xiàn)有的信號檢測方法在評估電子元器件的固有參數(shù)時效率低下精度不高,,在應用到特定系統(tǒng)時會導致較大波動誤差的存在。
因此當前在無源電子元件信號檢測中,,除了采用常用的波散射參數(shù)測量外,,研究方向逐漸向無源電子元件模型建立發(fā)展。首先,,這種模型建立必須考慮電子器件的安裝特性(如圖3),。其次,必須采用高效簡潔的優(yōu)化算法實現(xiàn)微電子器件的拓撲優(yōu)化問題,。下面將介紹無源電子元件信號檢測模型的建立步驟,。
3.2 無源電子元件信號模型
建立該模型的第一步是對FLFNN模型進行編碼,使之與和聲搜索算法能夠順利對接,,圖3給出了一種簡單的編碼方式,。其中i、j分別代表第i個輸入變量和第j個規(guī)則,,在本模型中采用高斯隸屬度函數(shù),,其中該函數(shù)的均值和方差將作為變量隨同權(quán)重ωkj一起進行編碼。mij,、σij分別代表高斯隸屬度函數(shù)的均值和方差,。則無源電子元件信號檢測FLFNN模型的學習步驟如下:
(1)(編碼)首先選取FLFNN神經(jīng)網(wǎng)絡結(jié)構(gòu)中的連接權(quán)重ωkj、高斯隸屬度函數(shù)的均值mij和方差σij作為優(yōu)化參數(shù)來對FLFNN模型進行編碼,,形式如圖3所示,。
(2)(初始化)在搜索空間[0,1]中隨機初始化和聲搜索算法的種群位置xp,,t(t),,其中下標p=1,2,,…,,P表示第p個樂章片段,,i代表第i個樂符,t代表進化代數(shù),,初始化后的種群存儲在和聲存儲器HM中,。
(3)(即興創(chuàng)作)首先,由算法決定是在HM存儲器中選取已有的向量,,還是根據(jù)HMCR產(chǎn)生一個全新的向量,。若產(chǎn)生新向量,其計算公式為:
(5)(終止判斷)檢查當前存儲的最優(yōu)樂章的適應值是否滿足終止條件,,如果是則停止算法進化,,輸出最優(yōu)值;否則,,返回步驟(3)即興創(chuàng)作階段,。
4 仿真實驗與分析
4.1 高斯和聲搜索參數(shù)選取
選取4個通用標準函數(shù)對算法進行測試,這4個測試函數(shù)均是高維多峰值函數(shù),,局部峰值很多,,對于種群個體的吸引也較強,,測試函數(shù)的搜索范圍及最優(yōu)值如表1所示,。
改進和聲搜索算法相對于標準算法增加了控制參數(shù)α及高斯分布控制參數(shù)g,其中控制參數(shù)α受變量λ影響,,而高斯分布g主要受方差σg影響,。其他參數(shù)設置為:HMS=100,HMCR=0.95,,PAR=0.7,,iter=1 500,λ=0.3,。仿真結(jié)果如圖4所示,。
從圖4中可看出,σg=2為相對最優(yōu)的一個取值,??梢酝ㄟ^分析式(21)得出σg值的大體取值規(guī)律,式(21)控制參數(shù)?琢的主要作用是使距離寬度調(diào)整率(bw)的取值逐漸減小,,從而實現(xiàn)在前期選擇較大的bw,,有利于算法全局搜索,后期選用較小的bw有利于深度開發(fā),。但是bw過于規(guī)律性的變化,,使得某個階段bw值其實是固定的,這就導致算法缺乏創(chuàng)新性,,所以引入高斯分布函數(shù)g來打破這種規(guī)律化的變化,。但是g的取值并非越大或者越小越好,,圖4仿真給出對比結(jié)果,認定σg=2為相對最優(yōu)的取值,。
4.2 FLFNN無源電子元件信號檢測試驗
圖2(b)給出了本實驗所采用的安裝電阻片接觸片的拓撲結(jié)構(gòu),。表2給出的不同規(guī)格的電阻器芯片,可通過調(diào)整神經(jīng)網(wǎng)絡的參數(shù)予以實現(xiàn),,此外表2給出了神經(jīng)網(wǎng)絡的增量學習集,。該模型輸入?yún)?shù):絕緣底座厚度、接觸墊的幾何形狀以及頻率(0~3 GHz)等[11,,14-15],。神經(jīng)網(wǎng)絡的輸出參數(shù)包括的電阻器的駐波比。仿真參數(shù)設置:HMS=100,,HMCR=0.95,,PAR=0.7,iter=1 500,,λ=0.3,,σg=2。電磁分析理論已被廣泛應用于學習集構(gòu)造和控制模型的數(shù)據(jù)質(zhì)量評價,,圖5展示了一系列接觸墊的結(jié)構(gòu)和絕緣基類型不同配置的電阻器SWR曲線,,用來作為FLFNN模型的訓練數(shù)據(jù)。
圖5給出了4種不同模型取值參數(shù)下的電阻器SWR值曲線,,4種參數(shù)取值如下:
case1:WP=2.9 mm,,LP=1.9 mm,GP=0.5 mm,;
case2:WP=2.5 mm,,LP=1.6 mm,GP=0.8 mm,;
case3:WP=2.3 mm,,LP=1.2 mm,GP=0.9 mm,;
case4:WP=2.1 mm,,LP=0.8 mm,GP=0.6 mm,。
由圖5給出的曲線表明,,這些參數(shù)對微電子器件的頻率特性有明顯的影響,進而影響微電子器件的電阻芯片功能,。下面主要對3種不同模型的信號檢測性能進行仿真對比,,對比模型如下:(1)model1:直接信號傳輸?shù)亩鄬由窠?jīng)網(wǎng)絡結(jié)構(gòu)[16],在該神經(jīng)網(wǎng)絡學習過程中選取20和14個神經(jīng)元的兩個隱藏層,,采用Brent一維搜索算法進行學習,。(2)model2:徑向基神經(jīng)網(wǎng)絡,,該網(wǎng)絡結(jié)構(gòu)含有250個神經(jīng)元[17]。圖6~8給出了所有模型電阻片駐波比(SWR)以及與真實值的偏差(Delta),,測試數(shù)據(jù)分別在訓練集中選取(圖6)和不在訓練集中選取(圖7),,并給出訓練集頻率以外的預測數(shù)據(jù)輸出對比結(jié)果(圖8)。
圖6~圖8給出了3種有針對性的仿真對比曲線,,首先,,圖6中采用訓練數(shù)據(jù)作為測試數(shù)據(jù),無源電子器件設計參數(shù)選取case3:WP=2.3 mm,,LP=1.2 mm,,GP=0.9 mm。圖6(a)為預測曲線,,(b)為預測曲線與真實曲線的偏差,,從圖6中可以看出本文算法相對于兩種對比算法更接近于真實數(shù)據(jù)的輸出,說明在訓練數(shù)據(jù)作為測試數(shù)據(jù)情況下,,本文算法具有更高的精度等級,。其次,圖7中采用訓練外數(shù)據(jù)作為測試數(shù)據(jù),,無源電子器件設計參數(shù)選取case5:WP=2.6 mm,,LP=1.7 mm,GP=1.3 mm,。圖7(a)為預測曲線,,(b)為預測曲線與真實曲線的偏差,,從圖7中可以看出本文算法預測結(jié)果仍然與圖6中結(jié)果相差不大,,預測曲線圍繞著真實曲線周圍,而對比算法都出現(xiàn)了比較大的偏移,,說明在非訓練數(shù)據(jù)作為測試數(shù)據(jù)情況下,,本文算法比對比算法具有更加明顯的優(yōu)勢。最后,,圖8給出訓練頻率及其之外的預測曲線對比,,無源電子器件設計參數(shù)選取case3:WP=2.3 mm,LP=1.2 mm,,GP=0.9 mm,。可以看出超出訓練集的頻率預測數(shù)據(jù)隨著頻率值的逐漸增大,,3種算法都呈現(xiàn)逐漸遠離真實數(shù)據(jù)的狀態(tài),,但是本文算法相對最貼近真實數(shù)據(jù)。上述3個實驗設計比較全面地闡述了本文所提算法的有效性,。
5 結(jié)束語
本文從提高無源電子元件模型準確度角度,,設計了一種結(jié)合泛函鏈接模糊神經(jīng)網(wǎng)絡(FLFNN)和高斯改進和聲搜索算法的無源電子器件信號檢測模型,。并通過實驗仿真,對高斯改進和聲搜索算法的參數(shù)選取進行實驗分析,,以及對FLFNN信號檢測模型進行實驗對比,。仿真結(jié)果顯示高斯改進和聲搜索FLFNN無源電子元件信號檢測算法具有更高的預測精度。
參考文獻
[1] MALYSHEV I N,,NIKULIN S M,,UTKIN V N.Measuring the wave spreading parameters for elements of integrated microwave structures in strip lines[J].Metrologiya,2008,,35(2):32-42.
[2] CHENG Y H,,CHEN K,BAI L B.Back propagation neural network based control for the heating system of a polysilicon reduction furnace[J].Review of Scientific Instruments,,2013,,84(12):125108-125108.
[3] SOTIROUDIS S P,GOUDOS S K.Application of a composite differential evolution algorithm in optimal neural network design for propagation path-loss prediction in mobile communication systems[J].IEEE Antennas and Wireless Propagation Letters,,2013(12):364-367.
[4] 李松,,劉力軍,解永樂.遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡的短時交通流混沌預測[J].控制與決策,,2011,,26(10):1581-1595.
[5] HYUNSEOK K,SEONGJU C S J.High-resolution touch floor system using particle swarm optimization neural network[J].IEEE Sensors Journal,,2013,,13(6):2084-5295.
[6] DELINCHANT B,DURET D,,ESTRABAUT L.An optimizer using software component paradigm for the optimization of engineering systems[J].The International Journal for Computation and Mathematics in Electrical and Electronic Engineering(COMPEL),,2007,26(2):368-379.
[7] AKKALA A,,BHATT D,,DEVABHAKTUNI V.Knowledge based neural network appoaches for modeling and estimating radon concentrations[J].Environmental Progress & Sustainable Energy,2013,,32(2):355-364.
[8] 高學星,,孫華剛,侯保林.使用不同置信級訓練樣本的神經(jīng)網(wǎng)絡學習方法[J].電子與信息學報,,2014,,36(6):1307-1310.
[9] 歐陽海濱,高立群,,鄒德旋.和聲搜索算法探索能力研究及其修正[J].控制理論與應用,,2014,31(1):57-61.
[10] YADAV P,KUMAR R,,PANDA S K.Optimal thrust allocation for semisubmersible oil rig platforms using improved harmony search algorithm[J].IEEE Journal of Oceanic Engineering,,2014,39(3):526-539.
[11] HOANG D C,,YADAV P,,KUMAR R.Real-time implementation of a harmony search algorithm-based clustering protocol for energy-efficient wireless sensor networks[J].IEEE Transactions on Industrial Informatics,2013,,10(1):774-783.
[12] SAHIN S,,TOLUN M R,HASSANPOUR R.Hybrid expert systems:a survey of current approaches and applications[J].Expert Systems with Applications,,2012,,39(4):4609-4617.
[13] DURET D,GERBAUD L,,WURTZ F.Modeling of passive electronic circuits with sensitivity analysis dedicated to the sizing by optimization[J].Modeling of Passive Electronic Circuits with Sensitivity,,2007,4694:422-430.
[14] GAJZLER M.The idea of knowledge supplementation and explanation using neural networks to support decisions in construction engineering[J].Procedia Engineering,,2013,,57:302-309.
[15] SHANG F,HIROSE A.Quaternion neural-network-based PolSAR land classification in poincare-sphere-parameter space[J].IEEE Transactions on Geoscience and Remote Sensing,,2013,,52(9):5693-5703.
[16] YANG C,LI Z,,CUI R.Neural network-based motion control of an underactuated wheeled inverted pendulum model[J].IEEE Transactions on Neural Networks and Learning Systems,,2014,25(11):2004-2016.
[17] WANG Y,,LI D,,LU X.Self-organizing map neural network-based nearest neighbor position estimation scheme for continuous crystal PET detectors[J].IEEE Transactions on Nuclear Science,2014,,61(5):2446-2455.