基于改进粒子群算法的匹配追踪分解优化研究

文章针对使用牛顿法进行匹配追踪分解信号的速度慢、精度低等问题,在具有全局优化能力的粒子群算法基础上,提出了一种结合局部单纯形搜索并引入变异操作的改进粒子群算法实现信号匹配追踪分解.利用单纯形搜索增加了算法的局部开发能力,通过变异操作控制种群多样性以避免早熟收敛,增强了算法全局探测能力;并以描述机械系统的振动冲击响应作为基原子与单一粒子群算法实现匹配追踪分解信号的结果进行对比,证明了使用改进粒子群算法的匹配追踪分解能够快速准确提取信号特征参数,同时成功识别出某轴承发生外圈损伤时隐含在振动信号中的周期性冲击脉冲故障特征.结果表明,加入单纯形和变异的改进粒子群算法有效降低了匹配追踪计算复杂度,提高了信号特征提取准确度.     

一种冗余字典下的信号稀疏分解新方法

针对目前冗余字典下信号稀疏分解常用算法计算复杂度高的问题,提出一种分组匹配追踪算法．该算法首先利用多组正交基构造冗余字典,然后采用迭代式分组匹配追踪,每次迭代从字典中选出一组和原始信号或残余最匹配的正交基,采用正交分解快速算法进行正交分解得到少量重要系数,多次迭代后逐渐稀疏逼近原始信号．实验结果表明,基于小波正交基级联冗余字典进行信号稀疏分解时,在同等稀疏条件下,与匹配追踪(MP)算法相比,该算法的计算速度提高了大约30倍,而且可避免过匹配现象．     

一种改进的头脑风暴优化算法

针对头脑风暴优化(BSO)算法精度较差、后期收敛速度慢的问题,提出了一种改进的BSO (MBSO)算法. MBSO算法通过对种群分组策略概率参数的调节,改变个体生成方式调节参与全局和局部搜索的个体比例,算法前期加强全局搜索后期加强局部搜索,有效避免陷入局部最优.同时MBSO算法根据搜索所处不同阶段采用可变最大步长的策略加速算法收敛并提高了优化精度.采用6个标准测试函数对MBSO算法搜索性能进行了测试,与原始BSO算法、粒子群优化(PSO)算法和差分进化(DE)算法结果进行比较实验.仿真结果表明,MBSO算法可以有效地避免陷入局部最优,稳定地找到更好的最优值,收敛速度显著加快. MBSO算法在优化问题中表现出了优异的性能和巨大的潜力.     

基于混合演化的自适应建模及其应用

针对传统的遗传规划方法收敛效率低、模型精度不高等缺点,将进化策略应用于模型参数的全局最优搜索,在遗传规划建模的基础上使用进化策略修正模型参数,以实现对模型结构和参数的同时优化,通过2种演化算法的结合提高建模精度,同时采用最优保持策略加速优化过程,改善算法的收敛效率.将该方法应用于某型船用汽轮机组的仿真建模中,通过和传统演化建模的对比,证明采用混合演化策略的建模方法具有更快的求解速度和更好的全局搜索能力.     

基于匹配追踪的配电网单相接地故障定位方法

为了进一步解决采用小电流接地系统的配电网单相接地故障定位问题,利用原子稀疏分解匹配追踪算法分解单相接地电流暂态信号,自适应地提取衰减的直流电流分量.结合配电网拓扑结构和提取的衰减直流分量幅值,划分故障路径并进一步定位故障点.仿真结果表明,匹配追踪算法可以快速有效地提取衰减直流分量,准确地实现小电流接地系统单相接地故障的在线区段定位.相比于传统算法,原子稀疏分解理论克服了传统非自适应性算法的局限性,提高了暂态信号成分提取的准确性.     

解全局优化问题的差分进化策略

以进化策略算法为框架,提出一种求解连续函数,特别是高维连续函数问题的优化算法--差分进化策略.该算法利用进化策略快速收敛的优点,融入了差分演化算法中具有较强全局搜索能力的变异算子.经数值实验分析表明,差分进化策略在函数优化过程中具有较强稳健性,可提高全局搜索能力,保持快速收敛优势,能用于研究生物进化、机器学习、人工智能、模糊系统及人工神经网络训练等领域.     

改进鲸群优化子空间匹配追踪的稀疏解混算法

为了提升高光谱图像的稀疏解混精度,提出一种基于改进鲸群优化算法的子空间匹配追踪(improved whale optimized subspace matching pursuit,IWOSMP)的稀疏解混算法.对鲸群优化算法进行改进,通过引入非线性种群控制参数和进化策略,提高鲸群优化算法的收敛速度和收敛精度,基于子空间匹配追踪算法,以约束稀疏回归为目标函数,利用改进的鲸群优化算法对已知端元集求解丰度系数.以重构误差最小为标准,通过最大程度地去除系数较小的冗余端元,提高子空间匹配追踪算法的端元提取的精确度,进一步提高了高光谱图像的解混精度.合成图像实验和真实遥感图像实验表明,IWOSMP能有效去除大量的冗余端元,且解混精度更高.     

梯度投影法求解压缩感知信号重构问题

将结合Barzilai-Borwein步长和非单调线搜索的梯度投影法用于压缩感知信号重构.分析了Barzilai-Borwein步长计算方法,结合其特点给出了非单调线搜索方法,为降低线搜索对算法性能的影响,引入了自适应的策略,最后给出了算法收敛性分析.实验结果表明,该算法能很好地重构不同稀疏度的信号,且在相同条件下,计算效率优于经典的基追踪法、正交匹配追踪和其他梯度投影法.     

基于稀疏重构的窄带弱信号时延估计算法

提出了一种基于稀疏重构的窄带弱信号时延估计算法.利用信号的互相关谱构造数据矩阵,然后建立时延参数的冗余字典,最后通过矩阵奇异值分解在信号子空间中利用正交匹配追踪算法得到高精度时延估计.理论分析和仿真实验验证了算法的正确性和有效性.相比于传统方法,该算法可将窄带弱信号时延估计精度提高约1倍.     

余弦适应性骨架差分进化算法

针对传统差分进化算法在解决复杂优化问题时存在收敛速度慢的问题,提出了一种余弦适应性骨架差分进化算法(CABDE),算法设计了一种新的变异策略适应性机制。该机制引入一个余弦适应性因子,实现高斯变异策略和DE/current-to-best/1变异策略的优势互补,以平衡算法的勘探能力和开采能力。其中,高斯变异策略具有较强的全局搜索能力,有利于维持种群多样性。DE/current-to-best/1变异策略具有较强的局部搜索能力,能够加快对较优区域的开采。同时,高斯变异策略和DE/current-to-best/1变异策略都利用当前最优个体来引导算法搜索方向,从而尽可能地加快收敛速度。余弦适应性因子在进化过程中随迭代次数的增加而波动性调整,为不同进化阶段适应性地选择变异策略。设计的变异策略适应性机制能够在维持种群多样性的同时加快收敛速度。为测试算法性能,采用18个不同特性的测试函数对算法进行数值实验。对CABDE算法的变异策略和参数动态变化进行了分析,实验结果验证了变异策略和参数动态变化的有效性。此外,CABDE算法分别与新近的骨架算法变体、差分进化算法变体、粒子群优化算法变体和人工蜂群算法变体进行了比较。实验结果表明CABDE算法获得了较高的求解精度,加快了收敛速度,整体上优于其他比较算法。     

信号稀疏分解降噪在DOA估计中的应用

提出了一种基于稀疏分解的阵列信号降噪方法。该算法是通过匹配跟踪（MP）的稀疏分解对阵列接收信号进行降噪,然后结合一般的MUSIC算法实现DOA估计。首先将对阵列接收数据分阵元通道独立进行基于MP分解的降噪处理,在不改变阵列流型的前提下,达到了对阵列信号降噪的效果,且在实际算法中分析了MP分解迭代终止阈值的确定。通过仿真分析证实了信号MP分解降噪的方法应用于DOA估计中的可行性。仿真结果显示,在低信噪比环境中,基于MP分解降噪后的MUSIC估计方法取得了更好的估计性能,因此证实了该算法的有效性。     

DE算法的改进及其在系统辨识中的应用

对于一类高维、非光滑及非线性的约束优化问题,传统的搜索方法不能很好地求得全局最优解,而DE算法可以处理这类问题.为了提高DE算法收敛到全局最优的概率和精度,在基本DE算法的基础上,运用变步长梯度法和记忆库,得到改进的DE算法,并将改进的DE算法应用于实际水槽的模型参数辨识.经过测试对象、采集数据、选择模型结构、辨识参数和验证模型,结果表明,改进的DE算法使辨识系统参数收敛到全局最优的能力增强,收敛概率和精度得到提高,模型偏差平方和更小.     

改进的差分演化算法及其在函数优化中的应用

提出了一种改进的差分演化算法，该算法记录下了差分演化算法在对每个个体进行变异操作时的差向量，然后以被变异的个体作为邻域的中心，以所记录的差向量作为邻域的半径，再在这个邻域内进行一次挖掘式的搜索。这一改进增强了原差分演化算法的局部搜索能力。典型多峰函数优化的仿真结果表明，改进后的算法具有比原差分演化算法更快的收敛速度，同时新算法也保持了原差分演化算法良好的全局搜索能力。     

基于混合策略的差分进化算法

针对传统差分进化算法在求解问题中种群易收敛、易早熟的问题,提出了一种基于混合策略的差分进化算法.该算法根据粒子适应度、适应度标准差和粒子间距离标准差,将种群分为3个不同大小、不同功能的子种群,每个子种群采用不同策略和控制参数来实现自己被指定的功能.算法在搜索过程中既增强了种群的全局搜索能力,又增加了收敛精度.通过对4个标准函数的测试,仿真结果表明该算法比其他算法具有更好的寻优能力.     

基于MP-OGA的地面移动目标微多普勒信号识别

受实际环境中背景噪声的影响,地面移动目标微多普勒信号常常被主体信号淹没。为提取有效的的目标微动特征,提出一种新的基于匹配跟踪(MP)稀疏分解和优化遗传算法(OGA)的自适应特征识别方法(MP-OGA),并首次将该算法应用于地面移动目标微多普勒信号的特征提取。首先针对传统遗传算法易陷入局部最优的缺点进行有效地优化,并将优化的遗传算法引入自适应稀疏分解的改进中,提高算法的分解速度减少计算代价,实现原子的自适应搜索和信号的特征提取。同时,以多类实际测量得到的、包含大量噪声信号的微多普勒雷达信号作为样本信号,利用支持向量机(SVM)成功实现了低信噪比条件下各类目标的识别,平均识别率高达96.5%。     

GPU并行在匹配追踪算法中的应用

匹配追踪算法(Matching Pursuit,MP)通过在过完备原子库中寻找与给定地震信号匹配最佳的原子,将地震信号分解为一系列原子的和。该算法实现了对地震信号的重构,突出了使地震剖面的有效信息特征更加突出。在实际资料应用中,传统匹配追踪算法(Matching Pursuit,MP)由于采样时间长度和剖面过大,存在计算速度慢的问题。为了进一步提高计算效率,通过GPU(Graphic Processing Unit)进行多原子并行匹配,并采用拟合差代替内积来寻找最佳原子,在传统算法的基础上改进得到一种匹配追踪GPU并行算法。将该算法应用于合成数据和实际资料,结果均表明本文的改进算法具有更高的计算效率。     

一种新的MEMS陀螺仪信号去噪方法

为提高MEMS陀螺仪输出信号的去噪效果,将稀疏分解(sparse decomposition)与提升小波变换(lifting wavelet transform)相结合,提出了一种新的信号去噪方法.首先,建立MEMS陀螺带噪信号的误差模型,并利用小波提升正变换计算带噪信号的非稀疏的小波系数;然后,利用稀疏分解理论恢复小波系数的稀疏性;最后,再通过小波提升反变换重构信号,从而达到去噪的目的.考虑到梯度投影(gradient projection)算法具有全局最优解,运算效率更高,将梯度投影思想引入恢复信号稀疏性的过程中,提出了基于梯度投影的稀疏分解算法,给出了利用梯度投影算法进行信号系数分解的具体步骤,大大简化了计算复杂度,同时提升了算法的稳定性.为验证所提方法的性能,进行了MEMS陀螺信号去噪的静态实验和跑车实验.实验结果表明,此种方法在动静态条件下都可以有效地去除MEMS陀螺仪输出信号中的噪声,尤其是在静态条件下的去噪效果要优于小波阈值滤波方法.同时采用的梯度投影算法相比于正交匹配追踪算法和基追踪算法具有更高的运算效率.     

基于精英解学习的邻域搜索差分演化算法

为了防止差分演化算法在求解复杂问题时容易陷入局部最优、收敛速度慢等问题,提出了一种基于精英解学习的邻域搜索差分演化算法(ELNDE).在该算法中利用多个精英解构建一个精英解池策略,并且对其进行反向学习,保证种群的多样性.在每一代种群演化计算过程中执行邻域搜索,通过精英解作为导向,加快算法的收敛速度的同时提高开采能力.使用13个基准测试函数对提出的算法进行了测试并且与几种知名的改进算法进行比较.实验表明,提出的算法在收敛速度和解的精度是具有较大的优势.     

基于多种群改进差分进化算法的环境／经济电力调度优化

应用多种群改进差分进化算法求解环境/经济电力调度(Environmental/Economic Dispatch,EED)这一多目标优化问题。将多种群策略引入差分进化算法,有助于保持群体多样性,有效避免经典差分进化算法的早熟收敛问题。采用自适应变异因子及交叉因子,使算法在搜索初期保持全局搜索能力,在搜索后期增强局部搜索能力,加快收敛速度。将该算法应用到IEEE 30节点-6机组系统的环境/经济调度优化,仿真计算结果以及与其他算法的对比分析验证了该算法的有效性。     

精英克隆局部搜索的多目标动态环境经济调度差分进化算法

为有效解决复杂多目标动态环境经济调度问题,提出一种基于精英克隆局部搜索的多目标动态环境经济调度差分进化算法。以传统的差分进化(differential evolution, DE)算法为框架,为了提高DE算法的开采和探索能力,增设精英群的克隆和突变机制,采用动态选择方式确定精英群,有效增强算法的全局搜索能力。数值试验以IEEE-30的10机、15机系统为测试实例,并将提出的算法与三种代表性算法比较。结果表明,新算法所获的Pareto前沿具有较好的收敛性和延展性,可为电力系统调度人员提供更灵活的决策方案。