高斯改進(jìn)和聲搜索FLFNN無(wú)源電子元件信號(hào)檢測(cè)

賈志杰，劉 凡，甘德剛

（國(guó)網(wǎng)四川省電力公司電力科學(xué)研究院，四川 成都 610072）

高斯改進(jìn)和聲搜索FLFNN無(wú)源電子元件信號(hào)檢測(cè)

賈志杰，劉 凡，甘德剛

（國(guó)網(wǎng)四川省電力公司電力科學(xué)研究院，四川 成都 610072）

針對(duì)現(xiàn)有信號(hào)檢測(cè)方法在評(píng)估電子元器件的固有參數(shù)時(shí)效率低下、精度不高的問(wèn)題，結(jié)合泛函鏈接模糊神經(jīng)網(wǎng)絡(luò)（FLFNN）和高斯改進(jìn)和聲搜索算法，設(shè)計(jì)了無(wú)源電子器件信號(hào)檢測(cè)模型。首先，利用泛函鏈接神經(jīng)網(wǎng)絡(luò)概念，將其作為模糊神經(jīng)網(wǎng)絡(luò)輸出層的模糊規(guī)則，設(shè)計(jì)了FLFNN網(wǎng)絡(luò)模型；其次，采用高斯方式設(shè)計(jì)了改進(jìn)的和聲搜索算法，并給出理論分析，然后對(duì) FLFNN網(wǎng)絡(luò)模型參數(shù)進(jìn)行編碼，實(shí)現(xiàn)了對(duì)其參數(shù)的優(yōu)化；最后，通過(guò)實(shí)驗(yàn)仿真，對(duì)高斯改進(jìn)和聲搜索算法的參數(shù)選取進(jìn)行實(shí)驗(yàn)分析，并對(duì)FLFNN信號(hào)檢測(cè)模型進(jìn)行實(shí)驗(yàn)對(duì)比，仿真結(jié)果顯示高斯改進(jìn)和聲搜索FLFNN無(wú)源電子元件信號(hào)檢測(cè)算法具有更高的預(yù)測(cè)精度。

高斯和聲搜索；泛函鏈接；模糊神經(jīng)網(wǎng)絡(luò)；無(wú)源電子元件；信號(hào)檢測(cè)

0 引言

在計(jì)算機(jī)輔助設(shè)計(jì)系統(tǒng)中，傳感器的設(shè)計(jì)效率以及測(cè)量傳感器對(duì)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(zhǔn)確性[1]。由于電子元件對(duì)于安裝條件的依賴性，作為模型效率的重要評(píng)價(jià)參數(shù)，其高頻參數(shù)估計(jì)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(shí)，神經(jīng)網(wǎng)絡(luò)作為一種常用的建模工具將被采用，并以無(wú)源電子元件為例研究建立性能優(yōu)異的神經(jīng)網(wǎng)絡(luò)模型。

影響神經(jīng)網(wǎng)絡(luò)模型精度的主要因素有兩個(gè)：一是良好的網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)；二是優(yōu)異的參數(shù)學(xué)習(xí)算法。目前經(jīng)典的算法是反向傳播（BP）學(xué)習(xí)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(wú)法跳出，如何進(jìn)行參數(shù)的全局尋優(yōu)是提高神經(jīng)網(wǎng)絡(luò)應(yīng)用效果的關(guān)鍵。由于該缺點(diǎn)的存在導(dǎo)致即使具有較好的網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)也存在性能表現(xiàn)不佳的情況出現(xiàn)。

為解決這個(gè)問(wèn)題，有關(guān)學(xué)者對(duì)智能優(yōu)化算法應(yīng)用到神經(jīng)網(wǎng)絡(luò)參數(shù)優(yōu)化進(jìn)行很多研究。如文獻(xiàn)[3～5]等分別結(jié)合差分進(jìn)化、遺傳算法和粒子群算法對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行參數(shù)優(yōu)化，取得一定效果。本文相對(duì)于上述文獻(xiàn)的創(chuàng)新點(diǎn)在于，一是采用和聲搜索算法對(duì)神經(jīng)網(wǎng)絡(luò)參數(shù)進(jìn)行優(yōu)化，采用高斯方式對(duì)和聲搜索算法進(jìn)行改進(jìn)，并且給出其理論分析；二是設(shè)計(jì)泛函連接模糊神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)，利用泛函連接作為模糊神經(jīng)網(wǎng)絡(luò)的模糊規(guī)則，力求獲得更加準(zhǔn)確的模型。

1 泛函鏈接模糊神經(jīng)網(wǎng)絡(luò)

本節(jié)主要介紹使用輸入變量非線性組合的FLFNN網(wǎng)絡(luò)結(jié)構(gòu)[6]。圖1給出了該FLFNN網(wǎng)絡(luò)的結(jié)構(gòu)圖，F(xiàn)LNFN模型通過(guò)以下形式實(shí)現(xiàn)了 if-then的模糊規(guī)則[7]：

式中，xi和分別為模型的輸入和內(nèi)部輸出變量，Ai，j為先決條件高斯隸屬度函數(shù)的語(yǔ)言描述，N為輸入變量的數(shù)量，ωij為局部輸出的鏈接權(quán)重，φk為輸入變量的三角基函數(shù)，M為基函數(shù)的數(shù)量，Rulej表示第j個(gè)模糊規(guī)則。

下面將重點(diǎn)介紹FLFNN網(wǎng)絡(luò)各層節(jié)點(diǎn)的操作，在以下的描述中，u(l)表示第 l層節(jié)點(diǎn)的輸出。

第一層：FLFNN網(wǎng)絡(luò)的第一層無(wú)任何計(jì)算操作，主要作用是把輸入變量值直接傳遞給下一層：

第二層：每一個(gè)模糊規(guī)則集 Ai，j都由高斯隸屬度函數(shù)來(lái)定義，形式如下：

式中，mij、σij分別為 FLFNN網(wǎng)絡(luò)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(diǎn)從第二層節(jié)點(diǎn)中接收一維隸屬度的關(guān)聯(lián)規(guī)則，這里的節(jié)點(diǎn)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(diǎn)的推理輸出規(guī)則可表述為：

第四層：該層節(jié)點(diǎn)的輸入一部分來(lái)自第三層節(jié)點(diǎn)的輸出，另一部分輸入則由前述的泛函鏈接神經(jīng)網(wǎng)絡(luò)產(chǎn)生，如圖1所示，可表述為：

其中，ωkj為泛函鏈接神經(jīng)網(wǎng)絡(luò)相應(yīng)的鏈接權(quán)重，φk為輸入變量的功能表示，而功能擴(kuò)展部分采用三角多項(xiàng)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(gè)數(shù)。此外，泛函鏈接神經(jīng)網(wǎng)絡(luò)的輸出節(jié)點(diǎn)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(diǎn)的輸出值，相當(dāng)于是對(duì)第三層和第四層節(jié)點(diǎn)模糊規(guī)則的解模糊作用，其輸出形式可表述為[8]：

圖1 FLFNN模型結(jié)構(gòu)

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(xué)習(xí)算法

2.1 標(biāo)準(zhǔn)和聲搜索算法

優(yōu)化過(guò)程與音樂(lè)的制作有很多相似的因素，有關(guān)學(xué)者于 2001年提出模仿音樂(lè)編寫(xiě)的和聲搜索算法[9-10]。引入和聲存儲(chǔ)(HM)、存儲(chǔ)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(biāo)函數(shù)輸入向量被存儲(chǔ)在向量中，并提供每個(gè)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(chǔ)在HM中：

(2)(即興創(chuàng)作)新的向量個(gè)體的即興產(chǎn)生過(guò)程可采取如下策略，首先，由算法決定是在HM存儲(chǔ)器中選取已有的向量，還是根據(jù)HMCR產(chǎn)生一個(gè)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(duì)向量進(jìn)行適當(dāng)調(diào)整(如式(17))。

(3)（HM更新）計(jì)算新向量個(gè)體及原向量個(gè)體的適應(yīng)度進(jìn)行對(duì)比，采用精英選擇策略選取適應(yīng)度更佳的向量個(gè)體，完成對(duì)HM的更新。

(4)(終止判斷)檢查當(dāng)前存儲(chǔ)的最優(yōu)向量的適應(yīng)值是否滿足終止條件，如果是則停止算法進(jìn)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(jìn)和聲搜索算法

文獻(xiàn)[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(jìn)的余地，如文獻(xiàn)[12，13]等。本文首先針對(duì)算法中寬度調(diào)整率bw為定值，無(wú)法反應(yīng)進(jìn)化初期和后期的區(qū)別的問(wèn)題，引入變步長(zhǎng)bw；其次，將高斯因子引入即興創(chuàng)作過(guò)程。引入控制參數(shù)α定義如下：

融合控制參數(shù)α以及高斯分布函數(shù)g對(duì)即興創(chuàng)作過(guò)程(式(17))進(jìn)行改進(jìn)：

2.3 理論分析

為簡(jiǎn)化理論分析，假設(shè)HM中所有的向量xi都是1維的：

則其所對(duì)應(yīng)的適應(yīng)值為：

那么種群適應(yīng)值的方差可表示為：

其中，

則式(21)種群適應(yīng)值方差可表述為：

式中，[a，b]為向量個(gè)體x的搜索空間，x(var)、y(var)分別代表向量x及適應(yīng)值 y的方差。當(dāng)E(y(var))過(guò)大時(shí)，算法注重探索能力，但相應(yīng)地會(huì)影響算法收斂，甚至導(dǎo)致算法發(fā)散。因?yàn)?/HMS取值很小，并且HMCR趨向1，則式(16)可簡(jiǎn)化為：

由 2.2節(jié)改進(jìn)即興創(chuàng)作過(guò)程式(19)，式(17)可轉(zhuǎn)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(kāi)發(fā)的關(guān)系。

3 無(wú)源電子元件的FLFNN模型信號(hào)檢測(cè)

3.1 問(wèn)題描述

源電子元件的高頻參數(shù)根據(jù)與之連接的設(shè)備測(cè)量信號(hào)結(jié)果進(jìn)行定義，如圖2所示?；诰仃囀降娜デ度胄?zhǔn)方法可以消除電子元件和測(cè)量平面與接觸片邊界移動(dòng)的影響（圖2中部件6）。

圖2 接觸裝置原理圖

電子元件的接觸焊盤(pán)的位置，以及用于形成微波器件的拓?fù)浣Y(jié)構(gòu)的基板類型和參數(shù)在工程師設(shè)計(jì)過(guò)程中都是經(jīng)常變化的。因此，此類無(wú)源電子元件的應(yīng)用會(huì)受到特定測(cè)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(hào)檢測(cè)方法在評(píng)估電子元器件的固有參數(shù)時(shí)效率低下精度不高，在應(yīng)用到特定系統(tǒng)時(shí)會(huì)導(dǎo)致較大波動(dòng)誤差的存在。

因此當(dāng)前在無(wú)源電子元件信號(hào)檢測(cè)中，除了采用常用的波散射參數(shù)測(cè)量外，研究方向逐漸向無(wú)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(jiǎn)潔的優(yōu)化算法實(shí)現(xiàn)微電子器件的拓?fù)鋬?yōu)化問(wèn)題。下面將介紹無(wú)源電子元件信號(hào)檢測(cè)模型的建立步驟。

3.2 無(wú)源電子元件信號(hào)模型

建立該模型的第一步是對(duì)FLFNN模型進(jìn)行編碼，使之與和聲搜索算法能夠順利對(duì)接，圖3給出了一種簡(jiǎn)單的編碼方式。其中i、j分別代表第i個(gè)輸入變量和第j個(gè)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(jìn)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(wú)源電子元件信號(hào)檢測(cè)FLFNN模型的學(xué)習(xí)步驟如下：

圖3 編碼方式

(1)(編碼)首先選取FLFNN神經(jīng)網(wǎng)絡(luò)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(lái)對(duì)FLFNN模型進(jìn)行編碼，形式如圖3所示。

(2)(初始化)在搜索空間[0，1]中隨機(jī)初始化和聲搜索算法的種群位置 xp，t(t)，其中下標(biāo) p=1，2，…，P表示第p個(gè)樂(lè)章片段，i代表第 i個(gè)樂(lè)符，t代表進(jìn)化代數(shù)，初始化后的種群存儲(chǔ)在和聲存儲(chǔ)器HM中。

(3)(即興創(chuàng)作)首先，由算法決定是在HM存儲(chǔ)器中選取已有的向量，還是根據(jù)HMCR產(chǎn)生一個(gè)全新的向量。若產(chǎn)生新向量，其計(jì)算公式為：

(4)(HM更新)利用式(21)所示目標(biāo)函數(shù)對(duì)新樂(lè)章及原樂(lè)章的適應(yīng)度進(jìn)行對(duì)比，采用精英選擇策略選取適應(yīng)度更佳的向量樂(lè)章，完成對(duì)HM的更新。

(5)(終止判斷)檢查當(dāng)前存儲(chǔ)的最優(yōu)樂(lè)章的適應(yīng)值是否滿足終止條件，如果是則停止算法進(jìn)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(shí)驗(yàn)與分析

4.1 高斯和聲搜索參數(shù)選取

選取4個(gè)通用標(biāo)準(zhǔn)函數(shù)對(duì)算法進(jìn)行測(cè)試，這4個(gè)測(cè)試函數(shù)均是高維多峰值函數(shù)，局部峰值很多，對(duì)于種群個(gè)體的吸引也較強(qiáng)，測(cè)試函數(shù)的搜索范圍及最優(yōu)值如表1所示。

表1 基準(zhǔn)測(cè)試函數(shù)相關(guān)參數(shù)

改進(jìn)和聲搜索算法相對(duì)于標(biāo)準(zhǔn)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(shè)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。

圖4 σ取值對(duì)算法收斂性能的影響

從圖4中可看出，σg=2為相對(duì)最優(yōu)的一個(gè)取值?？梢酝ㄟ^(guò)分析式(21)得出 σg值的大體取值規(guī)律，式(21)控制參數(shù)α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(shí)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(kāi)發(fā)。但是bw過(guò)于規(guī)律性的變化，使得某個(gè)階段bw值其實(shí)是固定的，這就導(dǎo)致算法缺乏創(chuàng)新性，所以引入高斯分布函數(shù)g來(lái)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(duì)比結(jié)果，認(rèn)定 σg=2為相對(duì)最優(yōu)的取值。

4.2 FLFNN無(wú)源電子元件信號(hào)檢測(cè)試驗(yàn)

圖2(b)給出了本實(shí)驗(yàn)所采用的安裝電阻片接觸片的拓?fù)浣Y(jié)構(gòu)。表2給出的不同規(guī)格的電阻器芯片，可通過(guò)調(diào)整神經(jīng)網(wǎng)絡(luò)的參數(shù)予以實(shí)現(xiàn)，此外表2給出了神經(jīng)網(wǎng)絡(luò)的增量學(xué)習(xí)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(luò)的輸出參數(shù)包括的電阻器的駐波比。仿真參數(shù)設(shè)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(yīng)用于學(xué)習(xí)集構(gòu)造和控制模型的數(shù)據(jù)質(zhì)量評(píng)價(jià)，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(lái)作為FLFNN模型的訓(xùn)練數(shù)據(jù)。

表2 電阻器芯片模型參數(shù)

圖5 FLFNN模型的訓(xùn)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=2.9mm，LP=1.9mm，GP=0.5mm；

case2：WP=2.5mm，LP=1.6mm，GP=0.8mm；

case3：WP=2.3mm，LP=1.2mm，GP=0.9mm；

case4：WP=2.1mm，LP=0.8mm，GP=0.6mm。

由圖5給出的曲線表明，這些參數(shù)對(duì)微電子器件的頻率特性有明顯的影響，進(jìn)而影響微電子器件的電阻芯片功能。下面主要對(duì)3種不同模型的信號(hào)檢測(cè)性能進(jìn)行仿真對(duì)比，對(duì)比模型如下：(1)model1：直接信號(hào)傳輸?shù)亩鄬由窠?jīng)網(wǎng)絡(luò)結(jié)構(gòu)[16]，在該神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)過(guò)程中選取 20和14個(gè)神經(jīng)元的兩個(gè)隱藏層，采用Brent一維搜索算法進(jìn)行學(xué)習(xí)。(2)model2：徑向基神經(jīng)網(wǎng)絡(luò)，該網(wǎng)絡(luò)結(jié)構(gòu)含有250個(gè)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(shí)值的偏差(Delta)，測(cè)試數(shù)據(jù)分別在訓(xùn)練集中選取(圖6)和不在訓(xùn)練集中選取(圖7)，并給出訓(xùn)練集頻率以外的預(yù)測(cè)數(shù)據(jù)輸出對(duì)比結(jié)果(圖8)。

圖6 模型預(yù)測(cè)數(shù)據(jù)對(duì)比（測(cè)試數(shù)據(jù)在訓(xùn)練集中選?。?/p>

圖7 模型預(yù)測(cè)數(shù)據(jù)對(duì)比

圖8 訓(xùn)練頻率外預(yù)測(cè)數(shù)據(jù)對(duì)比

圖6 ～圖8給出了3種有針對(duì)性的仿真對(duì)比曲線，首先，圖6中采用訓(xùn)練數(shù)據(jù)作為測(cè)試數(shù)據(jù)，無(wú)源電子器件設(shè)計(jì)參數(shù)選取case3：WP=2.3mm，LP=1.2mm，GP=0.9mm。圖6(a)為預(yù)測(cè)曲線，(b)為預(yù)測(cè)曲線與真實(shí)曲線的偏差，從圖6中可以看出本文算法相對(duì)于兩種對(duì)比算法更接近于真實(shí)數(shù)據(jù)的輸出，說(shuō)明在訓(xùn)練數(shù)據(jù)作為測(cè)試數(shù)據(jù)情況下，本文算法具有更高的精度等級(jí)。其次，圖7中采用訓(xùn)練外數(shù)據(jù)作為測(cè)試數(shù)據(jù)，無(wú)源電子器件設(shè)計(jì)參數(shù)選取case5：WP=2.6mm，LP=1.7mm，GP=1.3mm。圖7(a)為預(yù)測(cè)曲線，(b)為預(yù)測(cè)曲線與真實(shí)曲線的偏差，從圖7中可以看出本文算法預(yù)測(cè)結(jié)果仍然與圖6中結(jié)果相差不大，預(yù)測(cè)曲線圍繞著真實(shí)曲線周圍，而對(duì)比算法都出現(xiàn)了比較大的偏移，說(shuō)明在非訓(xùn)練數(shù)據(jù)作為測(cè)試數(shù)據(jù)情況下，本文算法比對(duì)比算法具有更加明顯的優(yōu)勢(shì)。最后，圖8給出訓(xùn)練頻率及其之外的預(yù)測(cè)曲線對(duì)比，無(wú)源電子器件設(shè)計(jì)參數(shù)選取 case3：WP=2.3mm，LP=1.2mm，GP=0.9mm?？梢钥闯龀鲇?xùn)練集的頻率預(yù)測(cè)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(yuǎn)離真實(shí)數(shù)據(jù)的狀態(tài)，但是本文算法相對(duì)最貼近真實(shí)數(shù)據(jù)。上述3個(gè)實(shí)驗(yàn)設(shè)計(jì)比較全面地闡述了本文所提算法的有效性。

5 結(jié)束語(yǔ)

本文從提高無(wú)源電子元件模型準(zhǔn)確度角度，設(shè)計(jì)了一種結(jié)合泛函鏈接模糊神經(jīng)網(wǎng)絡(luò)（FLFNN）和高斯改進(jìn)和聲搜索算法的無(wú)源電子器件信號(hào)檢測(cè)模型。并通過(guò)實(shí)驗(yàn)仿真，對(duì)高斯改進(jìn)和聲搜索算法的參數(shù)選取進(jìn)行實(shí)驗(yàn)分析，以及對(duì)FLFNN信號(hào)檢測(cè)模型進(jìn)行實(shí)驗(yàn)對(duì)比。仿真結(jié)果顯示高斯改進(jìn)和聲搜索FLFNN無(wú)源電子元件信號(hào)檢測(cè)算法具有更高的預(yù)測(cè)精度。

[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(lè).遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的短時(shí)交通流混沌預(yù)測(cè)[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(xué)星，孫華剛，侯保林.使用不同置信級(jí)訓(xùn)練樣本的神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)方法[J].電子與信息學(xué)報(bào)，2014，36(6)：1307-1310.

[9]歐陽(yáng)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(yīng)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.

Gauss improved harmony search algorithm based passive electronic components FLFNN signal detection

Jia Zhijie，Liu Fan，Gan Degang
(State Grid Sichuan Electric Power Research Institute，Chengdu 610072，China)

According to the proble of low efficiency and precision in using existing methods for detecting the signal intrinsic parameters,the functional link neural fuzzy network(FLFNN)and improved Gauss harmony search algorithm were combined to design signal detection model for passive electronic devices.Firstly,the functional link neural network concept was used to be the fuzzy rules for the output layer of fuzzy neural network,with which FLFNN network model was designed.Secondly,the Gauss was used to design improved harmony search algorithm.And then the FLFNN network model parameters were encoded,which realized the optimization of its parameters.Finally,the parameters′selection for Gauss improved harmony search algorithm were analyzed through simulation experiments,and then three signal detection models were compared by experiment,which showed the Gauss improved harmony search algorithm based passive electronic components FLFNN model has higher prediction accuracy.

Gauss harmony search；functional link；fuzzy neural network；passive electronic components；signal detection

TP183

A

10.16157/j.issn.0258-7998.2016.03.037

賈志杰，劉凡，甘德剛.高斯改進(jìn)和聲搜索 FLFNN無(wú)源電子元件信號(hào)檢測(cè)[J].電子技術(shù)應(yīng)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.

2015-04-08）

賈志杰(1985－)，男，碩士研究生，工程師，主要研究方向：開(kāi)關(guān)類設(shè)備缺陷與故障診斷技術(shù)。

劉凡(1978－)，男，博士研究生，高級(jí)工程師，主要研究方向：高電壓與絕緣技術(shù)。

甘德剛(1980－)，男，碩士研究生，高級(jí)工程師，主要研究方向：高電壓試驗(yàn)技術(shù)與帶電檢測(cè)技術(shù)。