CN110069805A

CN110069805A - 基于hpso和ga-bp算法的螺旋电感优化方法

Info

Publication number: CN110069805A
Application number: CN201910046464.9A
Authority: CN
Inventors: 杜四春; 欧伟; 黎赛; 银红霞
Original assignee: Hunan University
Current assignee: Hunan University
Priority date: 2019-01-18
Filing date: 2019-01-18
Publication date: 2019-07-30

Abstract

本发明公开了一种基于HPSO和GA‑BP算法的螺旋电感优化方法，包括采用电磁仿真软件HFSS制作片上螺旋电感数据集并进行数据预处理；采用遗传算法(GA)优化BP神经网络，再训练优化后的BP神经网络，建立GA‑BP模型；采用HPSO对片上螺旋电感进行布局搜索，得到特定目标电感值下满足约束条件的结构参数；采用GA‑BP模型对片上螺旋电感特定电感值下的结构参数进行表征参数预测。本发明可以帮助设计者折衷分析电感性能和电感尺寸，使电路拥有最佳性能和最佳尺寸，不仅保证了计算结果的准确性，更能节省时间和成本，具有良好的应用前景。

Description

基于HPSO和GA-BP算法的螺旋电感优化方法

技术领域

本发明涉及一种基于HPSO和GA-BP算法的螺旋电感优化方法，属于无线通信领域。

背景技术

随着无线通信的迅猛发展，射频器件设计要求越来越高。片上螺旋电感是射频电路的关键元器件，品质因素Q值是片上电感极为重要的参数，电感的Q值越高，其损耗越小，效率越高；高Q值的片上电感易于集成并且极具灵活性，适合现代射频微波领域对低损耗、低成本器件的要求，对于实现高性能的滤波、调谐、放大有着极为重要的意义。但目前缺乏快速并且精确的计算机辅助设计(CAD)工具是射频电路设计的瓶颈之一，在传统的建模技术中，如求解代数和微分方程的数值方法能够获得片上电感准确的结果，但需要耗费太多时间，增大设计成本，分析和经验建模技术可以有效节约时间，但计算的精度不够准确，以及有些模型计算方法不便于电感优化。近些年来，有些研究人员提出如遗传算法(GeneticAlgorithm，简称GA)、人工神经网络等智能优化算法对器件结构参数进行优化的方法。这类算法可以折衷处理器件的结构参数，在控制器件面积满足一定的约束条件下，性能有所提升，且在很大程度上节省设计的时间和成本。目前人工神经网络已逐渐成为传统建模技术的有效替代方案，它能够从相应的数据中学习任意非线性输入输出关系，模型将输出和输入之间的关系变为闭式表达式，训练的网络由于低延迟而提供几乎即时的输出，同样由于其在射频建模中的准确性，因此，神经网络模型比物理/EM模型快得多，并且具有比传统建模方式更高的精度。

发明内容

为克服上述现有技术的不足，本发明的目的是提供一种基于HPSO和GA-BP算法的射频片上螺旋电感优化方法。

本发明的原理在于，通过采用基于人类行为的粒子群(HPSO)算法对片上螺旋电感的进行布局搜索，得到特定目标电感值下满足约束条件的结构参数，通过HFSS(HighFrequency Structure Simulator)软件对大量电感进行仿真测试分析获取数据集，通过遗传算法优化BP神经网络的权值和阈值，将制作的片上螺旋电感数据集训练优化后的BP神经网络，建立模型，实验结果表明遗传算法优化后的BP神经网络比优化前的网络性能更好，结果更加精准。

本发明通过以下优化方案实现：平面螺旋电感典型结构参数如图1所示，N为螺旋电感的圈数，Dout为螺旋电感外径，w是金属导体的宽度，s是导体间隔；步骤101、制作数据集：依据0.13-μm CMOS工艺技术，确定片上螺旋电感结构参数即圈数N，外径Dout，线宽W，线间距s取值范围，确定数据集样本，所取数据样本共1056组，采用电磁仿真软件HFSS仿真求解片上螺旋电感表征参数即有效电感值L，品质因数Q和自谐振频率SRF；步骤102、数据预处理：随机选出500组数据进行归一化预处理，按照4:1的比例划分为训练数据和测试数据；

步骤103、建立GA-BP模型；

步骤104、采用HPSO对片上螺旋电感进行布局搜索，得到特定目标电感值下满足约束条件的结构参数；

步骤105、采用GA-BP模型对片上螺旋电感特定电感值的结构参数进行表征参数预测。

所述的步骤103中GA-BP模型的建立过程包括：

定义BP模型的输入：选择片上螺旋电感结构参数即圈数N，外径Dout，线宽W，线间距s作为模型的输入变量；

定义BP模型的输出：选择片上螺旋电感表征参数即有效电感值L，品质因数Q和自谐振频率SRF作为模型的输出变量；确定BP模型的网络拓扑结构：即输入层、隐藏层、输出层和各层神经元的个数，确定隐藏层节点和输出层节点的传递函数；用遗传算法GA优化BP神经网络；并训练和测试。

所述的用遗传算法GA优化BP神经网络的主要步骤包括：

步骤201、种群初始化：确定BP神经网络权值和阈值长度，对个体实数编码获取种群，并设置种群大小，最大迭代次数以及交叉概率，变异概率；

步骤202、适应度函数计算：用BP神经网络的实际输出和预测输出之间的误差绝对值的作为个体适应度值；

步骤203、选择，交叉和变异操作用于生成新个体；

步骤204、判定算法是否满足设定的最大迭代次数或者满足误差限要求，若满足则停止迭代，所得的最佳个体即为优化后BP神经网络的初始权值和阈值；否则继续循环步骤202和步骤 203。

所述的步骤104中采用HPSO对片上螺旋电感进行布局搜索，得到特定目标电感值下满足约束条件的结构参数，其流程包括：

步骤301、粒子群初始化：确定粒子总数，最大迭代次数，随机初始化每个粒子的速度和位置；

步骤302、适应度值计算：根据适应度函数计算每个粒子的适应度值，并记录粒子的个体极值和群体极值；

步骤303、判定算法是否满足设定的最大迭代次数或者满足误差限要求，若满足则停止迭代，输出全局最优解，否则进行下一步；

步骤304、粒子群更新：更新粒子的速度和位置，并计算新粒子的适应度值，更新粒子的个体极值pbest和全局极值gbest全局最坏粒子gworst。

本发明的有益效果是：

1、遗传算法是一种全局寻优算法，进行群体搜索技术，且不易陷入局部最优点，使用遗传算法优化BP神经网络的权值和阈值，可以有效避免网络陷入局部极值点，从而提高模型的预测精度；

2、通过HPSO搜索目标电感值的多种布局参数组合，根据实际电路的需要选出最佳电感尺寸，从而使电路获取最佳的性能。

附图说明

图1是平面螺旋电感典型结构参数图。

图2是本发明方法的流程图。

图3是遗传算法优化BP神经网络的流程图。

图4是HPSO算法流程图。

图5是本发明具体实施例中GA-BP网络模型和BP网络模型期望输出和实际片上螺旋电感的电感值L结果比较示意图。

图6是本发明具体实施例中GA-BP网络模型和BP网络模型期望输出和实际片上螺旋电感的品质因素Q结果比较示意图。

图7是本发明具体实施例中GA-BP网络模型和BP网络模型期望输出和实际片上螺旋电感的自谐振频率SRF结果比较示意图。

具体实施方式

为了更清楚的说明本发明的技术方案，下面结合附图和实施例对本发明作进一步说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。

本发明提出的基于HPSO和GA-BP算法的射频片上螺旋电感优化方法，其建模流程图如图1所示，包括以下步骤：步骤101、制作数据集：依据0.13-μm CMOS工艺技术，确定片上螺旋电感结构参数即圈数N，外径Dout，线宽W，线间距s取值范围如表1所示，该范围涵盖典型无线通信应用的潜在电感器尺寸，以相等的间隔对每个参数进行均匀采用，所取数据样本共1056组，采用电磁仿真软件HFSS仿真得到大量的电感数据，即计算对应的片上螺旋电感表征参数即有效电感值L，品质因数Q和自谐振频率SRF，可以用Y参数表示如下；

Y11是双端口Y参数的输入导纳，f为工作频率，且Q值变为零的频率点是SRF的值；

表1片上螺旋电感结构参数取值范围

步骤102、数据预处理：随机选出500组数据进行归一化预处理，按照4:1的比例划分为训练数据和测试数据，所述归一化公式为：

y＝(x-MinValue)/(MaxValue-MinValue)，

其中x和y是原始值和转换后的值，MaxValue和MinValue分别是样本中同一维数据的最大值和最小值；

步骤103、建立GA-BP模型包括以下几点：

(1)定义BP模型的输入：选择片上螺旋电感结构参数即圈数(N)，外径(Dout)，线宽(W)，线间距(s)作为模型的输入变量；

(2)定义BP模型的输出：选择片上螺旋电感表征参数即有效电感值(L)，品质因数(Q)和自谐振频率(SRF)作为模型的输出变量；

(3)确定BP模型的网络拓扑结构：即输入层、隐藏层、输出层，各层神经元的个数和确定隐藏层节点和输出层节点的传递函数；输入层：包含4个节点，即BP模型的输入。输出层：包含3个节点，即BP模型的输出。隐藏层：节点数可根据经验公式：

其中m，n，l分别是隐藏层节点，输入层和输出层节点的数量，α是[1,10]之间的常数；

隐藏层节点传递函数使用双极S型函数Tansig，公式如下：

其中n表示数据矩阵中网络输入的列向量；

输出层节点传递函数是Purelin，公式如下：

y＝x，

其中x和y分别是节点的输入量和输出量；

(4)用遗传算法(GA)优化BP神经网络过程如图3所示，包括以下步骤：

S1)种群初始化：个体采用实数编码方式，将每个个体作为一组染色体，其形式为

w₁₁,w₁₂,…,w_ij,a₁,a₂,…,a_j,w₁₁,w₁₂,…,w_jm,b₁,b₂,…,b_m，

其中，w₁₁,w₁₂,…,w_ij为输入层与隐含层的连接权值；a₁,a₂,…,a_j为隐含层阈值；w₁₁,w₁₂,…,w_im为隐含层与输出层的连接权值；b₁,b₂,…,b_m为输出层阈值。编码长度为：S＝A*C+C*B+ A+B，其中A表示输入层节点数，B表示输出层节点数，A*C表示输入层与隐藏层的权重，C*B表示隐藏层与输出层的权重，BP神经网络输入层有4个节点，隐藏层15个节点，输出层3个节点，共有4*15+15*3＝75个权值，所以个体编码长度为75+4+3＝82，设置种群大小为30，最大迭代次数30，交叉概率为0.3，变异概率为0.1；

S2)适应度函数计算：用BP神经网络的实际输出y_k和预测输出之间的误差绝对值的作为个体适应度值F，公式如下：

其中N为网络训练样本数目，t为常数。

S3)选择、交叉、变异操作用于生成新个体，

选择操作：用轮盘赌法对种群中的个体进行选择操作，选择适应度高的个体遗传到下一代，每个个体i被选择的概率P(i)，公式如下：

式中，fi为每个个体的适应度值，n为种群个体数目。

交叉操作：交叉运算交换某两个个体的部分染色体。第k个染色体a_k和第l个染色体a_l在α位的交叉产生的新个体X1，X2公式为：

式中，α是区间[0，1]内均匀分布的随机数；

变异操作：对个体以较小概率替换基因座上原有的基因实现变异，选取第i个个体的第j个基因X_ij进行变异，公式如下：

式中，X_max和X_min分别为基因X_ij的上界和下界，r₂为一个随机数，g为当前迭代次数，G_max是最大进化次数，r为[0，1]间的随机数；

S4)判定算法是否满足设定的最大迭代次数或者满足误差限要求，若满足则停止迭代，所得的最佳个体即为优化后BP神经网络的初始权值和阈值；否则继续循环S2和S3；

S5)训练和测试：若优化后的BP神经网络训练成功，则仿真预测；否则修正误差、权值和阈值直到训练成功；

步骤104、采用HPSO对片上螺旋电感进行布局搜索，得到特定目标电感值下满足约束条件的结构参数，算法流程如图4所示；

(1)粒子群初始化：确定粒子总数，随机初始化每个粒子的速度v_i和位置x_i，并设置学习因子r1和r2，指定惯性权重w的初始值；

(2)适应度值计算：根据适应度函数计算每个粒子的适应度值，并记录粒子的个体极值和群体极值；

(3)判定算法是否满足设定的最大迭代次数或者满足误差限要求，若满足则停止迭代，输出全局最优解，否则进行下一步；

(4)粒子群更新：更新粒子的速度和位置，并计算新粒子的适应度值，更新粒子的个体极值 pbest和全局极值gbest以及全局最坏粒子gworst，包括以下步骤：

S1)在标准PSO算法中，粒子的速度和位置可以按以下公式更新：

v_i＝ω×v_i+c₁×rand()×(pbest_i-x_i)，

+c₂×rand()×(gbest_i-x_i)，

x_i＝x_i+v_i i＝1，2，...，N，

式中，v_i是粒子的速度，w是惯性因子，rand()表示[0，1]之间的随机数，x_i是粒子的当前位置，c₁和c₂是加速因子，pbest个体最优解，gbest为全局最优解；

S2)在HPSO中，全局最差粒子被引入速度更新公式。为了降低参数的灵敏度，消除了两个加速因子。与标准PSO算法相比，HPSO具有更强的全局搜索能力，全局最坏的粒子定义如下：

gworst_i＝argmax{f(pbest₁)，f(pbest₂)，...，f(pbest_N)}，

式中，f(·)表示相应粒子的适应值，argmax(f(x))是使得f(x)取得最大值所对应的变量x； S3)全局最差粒子被引入速度更新公式后，粒子的速度和位置公式更新如下：

v_i(t+1)＝ω×v_i(t)+r₁×rand()×(pbest_i-x_i)，

+r₂×rand()×(gbest_i-x_i)，

+r₃×rand()×(gworst_i-x_i)，

x_i＝x_i+v_i i＝1，2，...，N，

式中，r₁和r₂是[0，1]之间的两个随机数，并且r₁+r₂＝1，在每次迭代中重新生成；r₃是随机惯性常数，满足标准正态分布；

S4)边界分为速度边界和位置边界。处理粒子的速度和位置公式如下：

式中，v_min和v_max分别是搜索空间中粒子“飞行”过程的最小和最大速度。x_min和x_max分别是最小和最大限制位置；

以下提供具体实施例进一步阐述本发明：

BP神经网络隐藏层节点传递函数使用双极S型函数Tansig，输出层节点传递函数是Purelin，可隐藏节点数为15个，学习率为0.05，训练目标为0.001，迭代次数为500，随机选取500 组螺旋电感数据，其中400组数据用来训练网络，100组数据用来测试网络，BP神经网络， GA-BP神经网络模型预测螺旋电感的表征参数结果如图5～7所示，可以看出无论是螺旋电感的表征参数L，Q，SRF，BP神经网络模型预测结果都已经非常接近目标值，GA-BP神经网络模型比BP神经网络预测更加精准，几乎和目标值曲线重合，因此就节省时间和成本而言，所提出的合成算法是有效的过程。

综上所述，本发明提了一种基于HPSO和GA-BP算法的射频片上螺旋电感优化方法，已成功应用于RF片上螺旋电感建模。它可以保证计算结果的准确性，帮助设计人员在多目标优化程序之间进行权衡分析。参数计算的整个过程是编程的，可以自动实现还可以节省成本和时间。同样它可以应用于更复杂的模型。

上文对本发明所提供的一种基于HPSO和GA-BP算法的射频片上螺旋电感优化方法进行了足够详细的具有一定特殊性的描述，所属领域内的普通技术人员应该理解，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想，仅仅是示例性的，在不偏离本发明的真实精神和范围的前提下做出所有改变都应该属于本发明的保护范围。本发明所要求保护的范围是由所述的权利要求书进行限定的，而不是由实施例中的上述描述来限定。

Claims

1.基于HPSO和GA-BP算法的螺旋电感优化方法，其特征是优化方案包括以下步骤：

步骤101、制作数据集：依据0.13-μm CMOS工艺技术，确定片上螺旋电感结构参数即圈数N，外径Dout，线宽W，线间距s取值范围，确定数据集样本，所取数据样本共1056组，采用电磁仿真软件HFSS仿真求解片上螺旋电感表征参数即有效电感值L，品质因数Q和自谐振频率SRF；

步骤102、数据预处理：随机选出500组数据进行归一化预处理，按照4:1的比例划分为训练数据和测试数据；

步骤103、建立GA-BP模型；

2.根据权利要求1所述的基于HPSO和GA-BP算法的螺旋电感优化方法，其特征是所述的步骤103中GA-BP模型的建立过程包括：

3.根据权利要求2所述的基于HPSO和GA-BP算法的螺旋电感优化方法，其特征是：

所述的用遗传算法GA优化BP神经网络的主要步骤包括：

步骤203、选择，交叉和变异操作用于生成新个体；

步骤204、判定算法是否满足设定的最大迭代次数或者满足误差限要求，若满足则停止迭代，所得的最佳个体即为优化后BP神经网络的初始权值和阈值；否则继续循环步骤202和步骤203。

4.根据权利要求1所述的基于HPSO和GA-BP算法的螺旋电感优化方法，其特征是：

5.根据权利要求1所述的基于HPSO和GA-BP算法的螺旋电感优化方法，其特征是：

所述的步骤101中，可以用Y参数表示如下；

Y₁₁是双端口Y参数的输入导纳，f为工作频率，且Q值变为零的频率点是SRF的值。

6.根据权利要求1所述的基于HPSO和GA-BP算法的螺旋电感优化方法，其特征是：

步骤102中数据预处理采用归一化公式：

y＝(x-MinValue)/(MaxValue-MinValue)

其中x和y是原始值和转换后的值，MaxValue和MinValue分别是样本中同一维数据的最大值和最小值。

7.根据权利要求1或2所述的基于HPSO和GA-BP算法的螺旋电感优化方法，其特征是：

建立GA-BP模型，隐藏层的节点数可根据经验公式：

隐藏层节点传递函数使用双极S型函数Tansig，公式如下：

其中n表示数据矩阵中网络输入的列向量；

输出层节点传递函数是Purelin，公式如下：y＝x

其中x和y分别是节点的输入量和输出量；

用遗传算法GA优化BP神经网络以下步骤：

步骤1种群初始化：个体采用实数编码方式，将每个个体作为一组染色体，其形式为w₁₁,w₁₂,…,wi_j,a₁,a₂,…,a_j,w₁₁,w₁₂,…,w_jm,b₁,b₂,…,b_m；

其中，w₁₁,w₁₂,…,w_ij为输入层与隐含层的连接权值；a₁,a₂,…,a_j为隐含层阈值；w₁₁,w₁₂,…,w_im为隐含层与输出层的连接权值；b₁,b₂,…,b_m为输出层阈值；编码长度为：S＝A*C+C*B+A+B，其中A表示输入层节点数，B表示输出层节点数，A*C表示输入层与隐藏层的权重，C*B表示隐藏层与输出层的权重，BP神经网络输入层有4个节点，隐藏层15个节点，输出层3个节点，所以个体编码长度为4*15+15*3+4+3＝82，设置种群大小为30，最大迭代次数30，交叉概率为0.3，变异概率为0.1；

步骤2适应度函数计算：用BP神经网络的实际输出y_k和预测输出之间的误差绝对值的作为个体适应度值F公式如下：

其中N为网络训练样本数目，t为常数，abs为绝对值函数；

步骤3选择、交叉、变异操作用于生成新个体；

选择操作：用轮盘赌法对种群中的个体进行选择操作，选择适应度高的个体遗传到下一代，每个个体i被选择的概率P(i)公式如下：

式中，fi为每个个体的适应度值，n为种群个体数目；

交叉操作：交叉运算交换某两个个体的部分染色体；第k个染色体a_k和第个染色体a_l在α位的交叉产生的新个体X1,X2公式如下：

式中，α是区间[0,1]内均匀分布的随机数；

变异操作：对个体以较小概率替换基因座上原有的基因实现变异，选取第i个个体的第j个基因Xi_j进行变异，公式如下：

式中，X_max和X_min分别为基因X_ij的上界和下界，r₂为一个随机数，g为当前迭代次数，G_max是最大进化次数，r为[0,1]间的随机数。

8.根据权利要求4所述的基于HPSO和GA-BP算法的螺旋电感优化方法，其特征是：

所述的步骤304中，所述粒子群更新流程包括：

在标准PSO算法中，粒子的速度和位置可以按以下公式更新：

v_i＝ω×v_i+c₁×rand()×(pbest_i-x_i)+c₂×rand()×(gbest_i-x_i)，

x_i＝x_i+v_i i＝1,2,…,N，

式中，v_i是粒子的速度，w是惯性因子，rand()表示[0,1]之间的随机数，x_i是粒子的当前位置，c₁和c₂是加速因子，pbest个体最优解，gbest为全局最优解；

在HPSO中，全局最差粒子被引入速度更新公式；为了降低参数的灵敏度，消除了两个加速因子；

与标准PSO算法相比，HPSO具有更强的全局搜索能力，全局最坏的粒子定义如下：

gworst_i＝argmax{f(pbest₁),f(pbest₂),…,f(pbest_N)}

式中，f(·)表示相应粒子的适应值，argmax(f(x))是使得f(x)取得最大值所对应的变量x；

全局最差粒子被引入速度更新公式后，粒子的速度和位置公式更新如下：

v_i(t+1)＝ω×v_i(t)+r₁×rand()×(pbest_i-x_i)，

+r₂×rand()×(gbest_i-x_i)，

+r₃×rand()×(gworst_i-x_i)，

x_i＝x_i+v_i i＝1,2,…,N，

式中，r₁和r₂是[0,1]之间的两个随机数，并且r₁+r₂＝1，在每次迭代中重新生成；r₃是随机惯性常数，满足标准正态分布；

边界分为速度边界和位置边界，处理颗粒的速度和位置公式如下：

式中，v_min和v_max分别是搜索空间中粒子“飞行”过程的最小和最大速度；

x_min和x_max分别是最小和最大限制位置。