基于MD-CM-SFLA神經(jīng)網(wǎng)絡(luò)的耳語(yǔ)音情感識(shí)別

張瀟丹 包永強(qiáng) 奚 吉 趙 力 鄒采榮

(1東南大學(xué)水聲信號(hào)處理教育部重點(diǎn)實(shí)驗(yàn)室，南京210096)

(2南京工程學(xué)院通信工程學(xué)院，南京211167)

在禁止大聲喧嘩的部分場(chǎng)所中，耳語(yǔ)音是人們進(jìn)行語(yǔ)言交流的主要方式之一.耳語(yǔ)音的早期研究主要停留在語(yǔ)音基礎(chǔ)研究和醫(yī)學(xué)工作需要上.隨著科學(xué)技術(shù)的快速發(fā)展，關(guān)于耳語(yǔ)音的研究開(kāi)始轉(zhuǎn)向其他方面，如耳語(yǔ)音的語(yǔ)音增強(qiáng)研究［1］、耳語(yǔ)音的語(yǔ)音識(shí)別研究［2-3］等.傳統(tǒng)的耳語(yǔ)音信號(hào)識(shí)別僅限于語(yǔ)義信息的識(shí)別而忽略了情感信息的識(shí)別.耳語(yǔ)音情感識(shí)別的研究是對(duì)語(yǔ)音情感識(shí)別的有效補(bǔ)充，具有廣泛的應(yīng)用前景.目前，世界上關(guān)于耳語(yǔ)音情感識(shí)別方面的研究還很欠缺，可以借鑒已有的語(yǔ)音情感識(shí)別的研究成果來(lái)進(jìn)行耳語(yǔ)音情感識(shí)別研究;但是由于發(fā)音特點(diǎn)的獨(dú)特性，其識(shí)別方法與語(yǔ)音情感識(shí)別還是有所區(qū)別的.

BP神經(jīng)網(wǎng)絡(luò)具有很強(qiáng)的魯棒性和自學(xué)習(xí)自適應(yīng)性，適用于處理復(fù)雜的、具有非線(xiàn)性和不確定性的對(duì)象.近年來(lái)，利用群智能優(yōu)化算法來(lái)優(yōu)化神經(jīng)網(wǎng)絡(luò)參數(shù)的方法備受關(guān)注.文獻(xiàn)［4］利用混合蛙跳算法(SFLA)來(lái)優(yōu)化BP神經(jīng)網(wǎng)絡(luò)，進(jìn)行語(yǔ)音情感識(shí)別，并證實(shí)其識(shí)別結(jié)果優(yōu)于BP神經(jīng)網(wǎng)絡(luò).但是SFLA算法［5-7］在進(jìn)化后期搜索速度慢且出現(xiàn)早熟收斂現(xiàn)象，對(duì)于多峰值函數(shù)尋優(yōu)這種較復(fù)雜的問(wèn)題，很難搜索到最優(yōu)解.針對(duì)SFLA算法存在的缺點(diǎn)，本文提出了一種基于分子動(dòng)力學(xué)模擬與云模型理論的改進(jìn)混合蛙跳算法(MD-CM-SFLA);然后將其與BP神經(jīng)網(wǎng)絡(luò)相結(jié)合，設(shè)計(jì)出一種MD-CMSFLA神經(jīng)網(wǎng)絡(luò)，并將其應(yīng)用到耳語(yǔ)音情感識(shí)別中.實(shí)驗(yàn)結(jié)果表明，MD-CM-SFLA神經(jīng)網(wǎng)絡(luò)能夠明顯提升耳語(yǔ)音情感識(shí)別率.

1 MD-CM-SFLA算法

1.1 基本原理

根據(jù)SFLA算法的更新策略可知，最差個(gè)體可在局部最優(yōu)個(gè)體或者全局最優(yōu)個(gè)體的吸引下，不斷朝著更優(yōu)的方向進(jìn)化;其余個(gè)體并不對(duì)最差個(gè)體的進(jìn)化產(chǎn)生任何影響.因此，在分子動(dòng)力學(xué)模型中僅需要考慮最差個(gè)體和最優(yōu)個(gè)體之間的吸引力;它們之間的距離越大，吸引力就越強(qiáng).將種群中的青蛙個(gè)體等效成分子，僅考慮當(dāng)前迭代中子群體的最差個(gè)體Xw與全局最優(yōu)個(gè)體Xg之間的吸引力，該吸引力隨距離的增加而增強(qiáng).兩分子間的作用力可表示為

式中，λ為比例系數(shù);r為Xw和Xg之間的位移矢量則表示分子間距離.假設(shè)各分子的質(zhì)量m相等且為1，則最差個(gè)體的加速度矢量為

選擇Swope等［8］提出的Velocity-Verlet算法來(lái)求解更新后最差個(gè)體的位置、速度和加速度，可得

式中，r(K)，v(K)和a(K)分別表示當(dāng)前時(shí)刻最差個(gè)體的位置、速度和加速度;r(K+1)，v(K+1)和a(K+1)表示更新后最差個(gè)體的位置、速度和加速度;rg表示全局最優(yōu)個(gè)體位置.

云模型是一種自然語(yǔ)言值表示的定性概念及其定量數(shù)據(jù)之間的不確定性轉(zhuǎn)換模型，主要反映了客觀(guān)世界事物或人類(lèi)知識(shí)中概念的模糊性和隨機(jī)性［9］.正態(tài)云模型是一個(gè)遵循正態(tài)分布規(guī)律、具有穩(wěn)定傾向的隨機(jī)數(shù)集.云模型的數(shù)字特征可用期望Ex、熵En、超熵H三個(gè)數(shù)值來(lái)表征，它們反映了定性概念的定量特性.生成云滴的算法稱(chēng)為云發(fā)生器.基本云發(fā)生器的算法步驟如下:①生成一個(gè)以En為期望值、H為標(biāo)準(zhǔn)差的正態(tài)隨機(jī)數(shù)E'n;②生成一個(gè)以Ex為期望值、E'n為標(biāo)準(zhǔn)差的正態(tài)隨機(jī)數(shù)x;③ 計(jì)算y=exp(－(x－Ex)2/(2(E'n)2)).(x，y)完整地反映了這一次定性定量轉(zhuǎn)換的全部?jī)?nèi)容.

本文將Velocity-Verlet算法引入到SFLA算法中，采用式(3)～(6)作為局部深度搜索的更新策略.同時(shí)，引入具有隨機(jī)性和穩(wěn)定傾向性的云模型理論，利用基本云發(fā)生器來(lái)代替原更新策略中的隨機(jī)更新操作，提出MD-CM-SFLA算法.其具體步驟如下:

①隨機(jī)初始化青蛙種群和青蛙個(gè)體的速度變量，設(shè)置MD-CM-SFLA算法參數(shù).

②計(jì)算每只青蛙個(gè)體的適應(yīng)度值.

③將當(dāng)前所有青蛙個(gè)體按照適應(yīng)度值從優(yōu)到劣進(jìn)行排序，并劃分子群體.

④對(duì)當(dāng)前子種群的最差個(gè)體Xw按照式(3)～(6)進(jìn)行更新.如果更新后的個(gè)體適應(yīng)度值優(yōu)于更新前，則用更新后的個(gè)體取代更新前個(gè)體Xw;反之，則利用正態(tài)云發(fā)生器生成新個(gè)體.其中，Ex=Xw;En=Ω/c1，Ω表示變量搜索范圍;He=En/c2，c1，c2均為常數(shù).

⑤當(dāng)所有子種群完成以上的更新操作后，若滿(mǎn)足全局混合迭代次數(shù)，進(jìn)化過(guò)程結(jié)束，輸出全局最優(yōu)值;否則，將全部的青蛙個(gè)體重新混合，轉(zhuǎn)至步驟③.

對(duì)于c1和c2的取值范圍，文獻(xiàn)［9］進(jìn)行了分析.借鑒其分析結(jié)果，取c1為種群大小，c2=10.

1.2 收斂性證明

定理1MD-CM-SFLA算法的種群序列{tk，k≥0}是有限齊次馬爾可夫鏈，其中k表示迭代次數(shù).

證明本文中初始化種群是有限的，且算法中的更新策略均與迭代次數(shù)無(wú)關(guān)，因此tk+1僅與tk有關(guān)，即{tk，k≥0}是有限齊次馬爾可夫鏈.證畢.

定理2MD-CM-SFLA算法的馬爾可夫鏈序列的種群最優(yōu)值序列是單調(diào)不減的.

證明在MD-CM-SFLA算法中，只有最優(yōu)個(gè)體的適應(yīng)度值超過(guò)原最優(yōu)個(gè)體時(shí)，原最優(yōu)個(gè)體才會(huì)被取代，這樣保證了每代擁有的最優(yōu)個(gè)體都不差于前一代.證畢.

定理3MD-CM-SFLA算法以概率1收斂.

證明設(shè)種群為狀態(tài)空間S中的某個(gè)點(diǎn)，sj∈S為S中的第j個(gè)狀態(tài)，f為S上的適應(yīng)度函數(shù)，f∧為全局最優(yōu)值為最優(yōu)解集.MD-CM-SFLA算法的狀態(tài)轉(zhuǎn)移由馬爾可夫鏈來(lái)描述表示處于狀態(tài) sj的第k代種群 tk，隨機(jī)過(guò)程{tk}的轉(zhuǎn)移概率設(shè) I=，由定理2 可得

設(shè)pj(k)為種群tk處于狀態(tài)sj的概率，由馬爾可夫鏈的性質(zhì)可得

1.3 數(shù)值仿真實(shí)驗(yàn)

為了驗(yàn)證MD-CM-SFLA算法的優(yōu)化性能，采用國(guó)際上常用的4種標(biāo)準(zhǔn)測(cè)試函數(shù)Sphere函數(shù)、Griewank函數(shù)、Ackley函數(shù)和Rastrigin函數(shù)對(duì)其進(jìn)行性能分析，函數(shù)的具體表達(dá)式參見(jiàn)文獻(xiàn)［10］.然后，對(duì)比了MD-CM-SFLA算法、SFLA算法和文獻(xiàn)［10］中MMT-PSO算法的優(yōu)化性能.其中，MDCM-SFLA算法的參數(shù)設(shè)置如下:種群規(guī)模為200，子群體規(guī)模為20，子群體數(shù)為10，局部深度搜索迭代次數(shù)為20，全局混合迭代次數(shù)為150，比例系數(shù)為4.SFLA算法中優(yōu)化Ackley函數(shù)時(shí)全局混合迭代次數(shù)為200，優(yōu)化其他3種函數(shù)時(shí)為1 000，其余參數(shù)同MD-CM-SFLA算法.為了驗(yàn)證參數(shù)變化對(duì)算法性能的影響，分別將維數(shù)取為10，20，30，對(duì)每個(gè)函數(shù)獨(dú)立運(yùn)行50次.3種算法的尋優(yōu)結(jié)果比較見(jiàn)表1.表中的平均值表示50次獨(dú)立實(shí)驗(yàn)所得解的平均適應(yīng)度值;標(biāo)準(zhǔn)差反映了算法的穩(wěn)定性.圖1為MD-CM-SFLA算法和SFLA算法的函數(shù)尋優(yōu)對(duì)比圖，圖中A表示平均最優(yōu)適應(yīng)度值.

表1 3種算法尋優(yōu)結(jié)果比較

圖1 2種算法的函數(shù)收斂曲線(xiàn)對(duì)比圖

圖1反映了算法的收斂過(guò)程.由表1可知，在相同的求解維數(shù)下，MD-CM-SFLA算法的求解精度和穩(wěn)定性明顯優(yōu)于其他2種算法.結(jié)合表1和圖1可知，隨著維數(shù)的增加，算法的優(yōu)化性能逐漸變差，這是因?yàn)榍蠼饩S數(shù)的增加導(dǎo)致搜索空間變大，算法更易陷入局部最優(yōu).對(duì)于MD-CM-SFLA算法而言，求解維數(shù)的變化對(duì)其優(yōu)化性能的影響不大，表明算法對(duì)于參數(shù)不敏感，易于使用.由圖1可知，MD-CM-SFLA算法的收斂速度和求解精度明顯優(yōu)于SFLA算法.在圖1(b)和(d)中，MD-CM-SFLA算法的收斂曲線(xiàn)出現(xiàn)截?cái)?，表示已搜索到全局最?yōu)解，而SFLA算法則出現(xiàn)早熟現(xiàn)象.由此可知，MDCM-SFLA算法的各項(xiàng)改進(jìn)機(jī)制使算法具有高效的搜索性和跳出局部極值的能力;與SFLA算法相比，MD-CM-SFLA算法具有更強(qiáng)的全局搜索能力、更高的搜索精度、更快的收斂速度和更好的魯棒性.

2 MD-CM-SFLA神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)常用的學(xué)習(xí)算法是BP算法.該算法是基于梯度信息來(lái)調(diào)整連接權(quán)值的，因而極易陷入局部極值點(diǎn)，而且在高維輸入時(shí)，易出現(xiàn)“維數(shù)災(zāi)”問(wèn)題，影響收斂速度.本文提出的MD-CMSFLA算法是一種群體智能優(yōu)化算法，其全局優(yōu)化性保證了算法可以有效地對(duì)解空間進(jìn)行搜索，不易陷入局部最優(yōu)，能夠快速收斂，尋優(yōu)精度高，而且算法具有較強(qiáng)的通用性，對(duì)問(wèn)題的具體形式和領(lǐng)域知識(shí)依賴(lài)性不強(qiáng)，其固有的并行性保證了算法能夠較快地尋找到最優(yōu)解或滿(mǎn)意解.因此，在進(jìn)行BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練時(shí)，本文使用MD-CM-SFLA算法對(duì)網(wǎng)絡(luò)的隨機(jī)初始參數(shù)、輸入層與隱含層的連接權(quán)值、隱含層與輸出層的連接權(quán)值以及各閾值進(jìn)行優(yōu)化，從而提高了神經(jīng)網(wǎng)絡(luò)的收斂速度和學(xué)習(xí)能力.具體的訓(xùn)練步驟如下:

①隨機(jī)初始化青蛙種群.每個(gè)青蛙個(gè)體中的維數(shù)信息依次表示輸入層與隱含層的連接權(quán)值、隱含層與輸出層的連接權(quán)值以及各閾值.

②計(jì)算個(gè)體的適應(yīng)度值.適應(yīng)度函數(shù)定義為

式中，J(k，i)為第i個(gè)個(gè)體第k次迭代后的適應(yīng)度值;M為訓(xùn)練集的樣本數(shù);ym，i為第i個(gè)個(gè)體中第m個(gè)樣本輸入時(shí)的網(wǎng)絡(luò)目標(biāo)輸出值為第 i個(gè)個(gè)體第k次迭代后第m個(gè)樣本輸入時(shí)的網(wǎng)絡(luò)實(shí)際輸出值;N為最大迭代次數(shù).

③采用MD-CM-SFLA算法的迭代尋優(yōu)步驟對(duì)青蛙個(gè)體進(jìn)行更新.當(dāng)進(jìn)化過(guò)程結(jié)束時(shí)，返回全局最優(yōu)解，訓(xùn)練結(jié)束.

3 耳語(yǔ)音情感特征

3.1 耳語(yǔ)音情感數(shù)據(jù)庫(kù)的建立

目前，對(duì)耳語(yǔ)音情感識(shí)別的研究還處于初級(jí)階段.參照國(guó)際著名語(yǔ)料庫(kù)建立的規(guī)范，以表演的方式獲取耳語(yǔ)音情感數(shù)據(jù)，創(chuàng)建一個(gè)包括高興、生氣、悲傷和平靜的耳語(yǔ)音情感數(shù)據(jù)庫(kù).錄音選擇在安靜的實(shí)驗(yàn)室內(nèi)進(jìn)行，采樣頻率為16 kHz.共10名大學(xué)生參與錄制，其中5名為男性，5名為女性.錄音語(yǔ)料分為單詞、短句和段落3種類(lèi)型.其中，單詞包括名詞和動(dòng)詞各10個(gè);短句包括陳述句19句，疑問(wèn)句、感嘆句和祈使句各2句;段落6個(gè).語(yǔ)料都具有比較高的情感自由度，每位表演者用耳語(yǔ)音對(duì)所有語(yǔ)料分別重復(fù)3遍，再用正常音朗讀1遍(用于后期對(duì)比).通過(guò)聽(tīng)辨實(shí)驗(yàn)，保留1 250條語(yǔ)句作為訓(xùn)練和測(cè)試所用的數(shù)據(jù)庫(kù).

3.2 耳語(yǔ)音情感特征參數(shù)提取

耳語(yǔ)音和正常音的發(fā)音方式有所不同.耳語(yǔ)音中塞音、塞擦音和清擦音的聲母部分與正常音的發(fā)音方式基本類(lèi)似;但元音和濁輔音在發(fā)音時(shí)，不產(chǎn)生聲帶振動(dòng)、沒(méi)有基頻，這與正常音的發(fā)音方式不同.因此，適用于正常音情感識(shí)別的一些特征參數(shù)并不適合進(jìn)行耳語(yǔ)音情感識(shí)別.目前，關(guān)于耳語(yǔ)音聲學(xué)特征參數(shù)的分析主要集中于音高、能量、聲調(diào)、共振峰、音長(zhǎng)、Mel域參數(shù)、語(yǔ)速等方面.本文主要提取的用于耳語(yǔ)音情感識(shí)別的特征參數(shù)包括音長(zhǎng)、語(yǔ)速、基于TEO變換后的4種改進(jìn)的12階MFCC、第1，2，3共振峰的均值、最大值、最小值、中值和標(biāo)準(zhǔn)差.

4 耳語(yǔ)音情感識(shí)別實(shí)驗(yàn)

本實(shí)驗(yàn)從數(shù)據(jù)庫(kù)中總共選取了1 000條語(yǔ)句(高興、生氣、悲傷和平靜4種情感各250條)，其中訓(xùn)練語(yǔ)句200條(4種情感各50條)，識(shí)別語(yǔ)句800條(4種情感各200條).采用OCON方法組織神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，每種待識(shí)別的情感對(duì)應(yīng)一個(gè)子神經(jīng)網(wǎng)絡(luò)模型，將所有子神經(jīng)網(wǎng)絡(luò)的輸出結(jié)果通過(guò)判決策略，產(chǎn)生最終的識(shí)別結(jié)果.令每個(gè)子神經(jīng)網(wǎng)絡(luò)的輸出為vz，分別采用每種情感對(duì)應(yīng)的情感語(yǔ)料對(duì)子神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，輸出值為每種情感的似然函數(shù)，最終的輸出結(jié)果可判決為z*=argmax(vz)，其中z*為語(yǔ)音情感類(lèi)別.基于BP神經(jīng)網(wǎng)絡(luò)和MDCM-SFLA神經(jīng)網(wǎng)絡(luò)的耳語(yǔ)音情感識(shí)別結(jié)果分別見(jiàn)表2和表3.

表2 基于MD-CM-SFLA神經(jīng)網(wǎng)絡(luò)的耳語(yǔ)情感識(shí)別率 %

表3 基于BP神經(jīng)網(wǎng)絡(luò)的耳語(yǔ)情感識(shí)別率 %

由表2和表3可知，MD-CM-SFLA神經(jīng)網(wǎng)絡(luò)的平均識(shí)別率為77.5%，而B(niǎo)P神經(jīng)網(wǎng)絡(luò)的平均識(shí)別率為72.3%，表明MD-CM-SFLA神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)能力明顯優(yōu)于BP神經(jīng)網(wǎng)絡(luò).在所考慮的4種情感中，耳語(yǔ)音對(duì)高興、悲傷、平靜情感的識(shí)別率相對(duì)較好.悲傷、生氣情感容易出現(xiàn)相互誤判，且識(shí)別率不理想，而這2種情感和高興情感出現(xiàn)誤判的情況相對(duì)較少.高興、生氣這2種情感在激活維上坐標(biāo)接近，在效價(jià)維上則距離較遠(yuǎn)，說(shuō)明識(shí)別這2種情感時(shí)只要將對(duì)應(yīng)于效價(jià)維的特征參數(shù)選擇恰當(dāng)，便可獲得高的識(shí)別率.反觀(guān)生氣、悲傷2種情感，它們?cè)谛r(jià)維上坐標(biāo)接近，在激活維上則距離較遠(yuǎn)，因此識(shí)別這2類(lèi)情感時(shí)需要有合適的激活維參數(shù).本文在識(shí)別中所采用的特征參數(shù)主要是效價(jià)維參數(shù).由于耳語(yǔ)音發(fā)音方式的特殊性，不存在基音這一重要的激活維參數(shù)，因此在識(shí)別生氣、悲傷這2種情感時(shí)效果不理想.

5 結(jié)語(yǔ)

本文針對(duì)SFLA算法在進(jìn)化后期存在早熟收斂的缺陷，通過(guò)分子動(dòng)力學(xué)模擬種群的進(jìn)化策略，結(jié)合正態(tài)云模型云滴的隨機(jī)性和穩(wěn)定傾向性特點(diǎn)，提出了一種MD-CM-SFLA算法，并從數(shù)學(xué)上證明了該算法的全局收斂性.將該算法與BP神經(jīng)網(wǎng)絡(luò)相結(jié)合，設(shè)計(jì)出一種MD-CM-SFLA神經(jīng)網(wǎng)絡(luò)，并將其應(yīng)用于耳語(yǔ)音情感識(shí)別中.實(shí)驗(yàn)結(jié)果表明，MD-CM-SFLA神經(jīng)網(wǎng)絡(luò)相對(duì)于BP神經(jīng)網(wǎng)絡(luò)具有明顯的優(yōu)勢(shì)，在相同的測(cè)試條件下，其平均識(shí)別率較BP神經(jīng)網(wǎng)絡(luò)提高5.2%.由此表明，利用MDCM-SFLA算法優(yōu)化神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)的權(quán)值和閾值，可以快速地實(shí)現(xiàn)網(wǎng)絡(luò)的收斂，獲得較好的學(xué)習(xí)能力.

References)

［1］Tao Zhi，Zhao Heming，Wu Di，et al.Speech enhance-ment based on modified mel masking model and speech absence probability in whispers ［J］.Acta Acustica，2009，34(4):370-377.

［2］王敏，趙鶴鳴，張慶芳.基于瞬時(shí)頻率估計(jì)和特征映射的漢語(yǔ)耳語(yǔ)音話(huà)者識(shí)別［J］.數(shù)據(jù)采集與處理，2011，26(6):686－690 Wang Min，Zhao Heming，Zhang Qingfang.Speaker identification with Chinese whispered speech based on instantaneous frequency estimation and feature mapping［J］.Journal of Data Acquisition ＆Processing，2011，26(6):686-690.

［3］Wang Min，Zhao Heming.Whispered speaker identification based on multiband demodulation analysis and instantaneous frequency estimation ［J］.Acta Acustica，2010，35(4):471-476.

［4］余華，黃程韋，張瀟丹，等.混合蛙跳算法神經(jīng)網(wǎng)絡(luò)及其在語(yǔ)音情感識(shí)別中的應(yīng)用［J］.南京理工大學(xué)學(xué)報(bào)，2011，35(5):659-663.Yu Hua，Huang Chengwei，Zhang Xiaodan，et al.Shuffled frog-leaping algorithm based neural network and its application in speech emotion recognition［J］.Journal of Nanjing University of Science and Technology，2011，35(5):659-663.(in Chinese)

［5］Alireza R V，Ali H M.Solving a bi-criteria permutation flow-shop problem using shuffled frog-leaping algorithm［J］.Soft Computing，2008，12(5):435-452.

［6］Eusuff M M，Lansey K E.Shuffled frog-leaping algorithm:a mimetic meta-heuristic for discrete optimization［J］.Engineering Optimization，2006，38(2):129-154.

［7］Alireza R V，Ali H M.A hybrid multi-objective shuffled frog-leaping algorithm for a mixed-model assembly line sequencing problem ［J］.Computers＆ Industrial Engineering，2007，53(4):642-666.

［8］Swope W C，Andersen H C，Berens P H，et al.A computer simulation method for the calculation of equilibrium constants for the formation of physical clusters of molecules:application to small water clusters［J］.Journal of Chemical Physics，1982，76(1):637-649.

［9］戴朝華，朱云芳，陳維榮，等.云遺傳算法及其應(yīng)用［J］.電子學(xué)報(bào)，2007，35(7):1419-1424.Dai Chaohua，Zhu Yunfang，Chen Weirong，et al.Cloud model based genetic algorithm and its application［J］.Acta Electronica Sinica，2007，35(7):1419-1424.(in Chinese)

［10］徐星，李元香，姜大志，等.一種基于分子動(dòng)理論的改進(jìn)粒子群優(yōu)化算法［J］.系統(tǒng)仿真學(xué)報(bào)，2009，21(7):1904-1907.Xu Xing，Li Yuanxiang，Jiang Dazhi，et al.Improved particle swarm optimization algorithm based on theory of molecular motion［J］.Journal of System Simulation，2009，21(7):1904-1907.(in Chinese)