利用遗传算法优化设计FIR数字滤波器

FIR数字滤波器可以做成具有严格的线性相位,而且同时可以具有任意的幅度响应,因而在工程实际中得到了广泛的应用,遗传算法又是一种强有力的寻优算法.介绍了一种遗传算法在FIR数字滤波器设计--加权切比雪夫最佳逼近准则优化设计方法中的应用.对基本遗传算法作适当改进后,用于确定待求FIR数字低通滤波器的单位冲激响应而h(n),然后利用MATLAB仿真程序求出了滤波器的幅度特性曲线,仿真结果说明了算法的有效性.     

中频数字正交解调接收机的研究及实现

数字接收机在现代雷达、电子战、通信等领域的应用越来越广泛,数字接收机的性能是由正交解调信号的幅相一致性决定的。这里描述了数字正交解调的核心部分—数字滤波器的设计,通过运用均方误差最小化准则设计法和切比雪夫等波纹逼近设计法设计FIR数字滤波器,并利用MATLAB平台进行仿真,比较分析表明了用均方误差最小化准则设计法设计具有严格线性相位特性的FIR数字滤波器的最优性,即:可以获得较好的幅度误差和相位误差,从而保证了数字接收机的性能。     

FIR数字滤波器的智能优化算法设计综述

对有限冲激响应(Finite Impulse Response,FIR)数字滤波器的智能优化算法进行了归纳和总结,优化算法设计将数字滤波器设计问题转化为误差函数最小化问题,相比传统的设计方法,智能优化算法更易确定通带和阻带的边界频率,降低计算复杂度并且减小幅频响应在通带和阻带上的误差.从收敛速度、通带波纹、阻带衰减等角...     

复系数FIR数字滤波器的神经网络设计方法

神经网络是一种设计实系数FIR滤波器的有效算法,为了将该方法扩展到复数域,建立统一的基于神经网络的滤波器设计框架,文中提出了一种用多层神经网络设计任意幅频响应的复系数FIR数字滤波器的新算法,主要思想是将设计问题转化为实系数多层神经网络的训练问题,在实数域对幅频响应的平方误差函数的实部和虚部分别进行最小化,误差将收敛到全局最小点.实验结果表明,利用该算法设计的滤波器具有较小的幅频响应误差和群延迟误差.该算法能解决具有任意幅频响应和群延迟要求的问题,是一种有效的设计算法.     

基于自由搜索算法的IIR数字滤波器设计

无限脉冲响应(IIR)数字滤波器的设计实质上是一个多参数多目标优化问题。针对自由搜索算法原型优化设计时存在后期寻优效率低等缺陷,提出一种改进搜索策略的优化方法。通过动态调整个体的领域搜索半径和定期轴向搜索等策略,提高算法在多维空间的搜索能力。将其应用于IIR数字滤波器的优化设计,并在最小均方误差、最小通带阻带纹波幅值和两者相结合的优化准则下,对参数空间施加适当的约束条件,建立相应的优化模型。仿真结果表明,在设计IIR数字滤波器时,该算法的优化结果优于同类算法。     

改进的遗传算法在数字滤波器优化应用研究

研究数字滤波器自动生成优化问题.针对传统的数字滤波器在优化设计时,容易往往出现难以调整波形系数,与硬件接口程序复杂,开发周期长等问题缺陷,为了解决上述问题,提出了一种采用改进的遗传算法应用于FPGA数字滤波器的优化设计中,利用了遗传算法全局优化概率检索的优点,求解复杂系统优化问题.把求解滤波器参数的问题数学化为性能指标优化模型,采用改进的遗传算法求得特性符合要求的滤波器参数值,仿真结果表明,设计系统软件界面可以根据用户设定的滤波参数,自动设计出符合要求的数字滤波器RTL.系统性能高效,能够大大提高滤波器的设计效率.数值仿真表明了算法的有效性.     

基于共轭梯度法的FIR数字滤波器优化设计

针对高阶FIR数字滤波器要中高阶矩阵逆计算困难,提出了一种共轭梯度法的FIR线性相位数字滤波器的优化设计方法.方法的主要思想是采用共轭梯度法计算余弦基函数的加权系数,从而获得FIR滤波器的单位脉冲响应,使得设计出的FIR滤波器的频率响应与理想滤波器的频率响应的全局误差在整个通带和阻带的范围内最小.仿真结果表明,与其它优化设计方法相比,提出的优化设计方法不仅具有更小的逼近误差,而且过渡带窄,阻带衰耗更大.上述方法不涉及逆矩阵计算,因而计算量小,在FIR数字滤波器优化设计中具有重要的应用价值.     

利用遗传算法的数字成形滤波器设计方法

数字成形滤波器是数字基带通信系统的重要组成部分。基带信号的频谱范围较宽,频带拥挤问题日益突出,成形滤波技术可以在消除码间干扰（ISI）的前提下,压缩信号频带,提高频谱的利用率。传统的数字滤波器设计包含阶数估计和波纹系数计算两个步骤。而阶数估计方法仅对普通的有限脉冲响应滤波器（FIR）有效,对成形滤波器阶数估计的结果不能达到最优。针对这一问题,将遗传算法的阶数估计和系数计算两个步骤结合起来设计数字成形滤波器,简化了算法复杂度。仿真对比结果表明,该算法在阶数估计和波纹系数计算方面都可以得到更优的结果。     

蚂蚁算法在FIR数字滤波器优化设计中的参数

蚂蚁算法中参数的准确分析和合理配置直接影响着算法的性能.在已完成的蚂蚁算法应用于有限冲激响应(Finite impulse response,FIR)数字滤波器优化设计研究基础上,分析了各个参数的不同配置对算法性能的影响,推导了参数配置的基本公式,提出了参数之间的一般配置原则.不失一般性,在最小最大优化准则下进行的仿真实验结果表明,文中提出的算法参数配置原则对于提高FIR数字滤波器的优化设计性能较为有效,同时还验证了蚂蚁算法在其他应用领域中的参数设置也满足参数配置原则,进一步表明本文的参数选取原则的可行性,有利于蚂蚁算法在优化问题中的推广和应用.     

基于改进的混合基因算法的FIR数字滤波器设计

研究了利用模拟退火遗传算法来设计FIR数字滤波器的方法。针对算法在寻优过程中，易陷入局部最优解和搜索缓慢的特点提出了改进方法，该方法充分利用了遗传算法的并行化抽样过程和模拟退火算法中控制算法的收敛性，不仅优化了时间性能，避免出现收敛的“早熟”现象，而且在一定程度上提高了算法的搜索性能。最后结合FIR低通数字滤波器的设计给出了仿真结果。     

基于差分文化算法的FIR数字滤波器设计

有限脉冲响应（FIR）数字滤波器的设计实质可看作是多参数优化问题。为高效实现FIR数字滤波器,将滤波器的设计转化为滤波器参数优化问题,然后提出差分文化粒子群（DC）算法在参数空间进行并行搜索以获得滤波器设计的最优参数值。提出的差分文化算法结合文化原理差分演进原理,是一种可用于实数优化的多维搜索算法。计算机仿真实验表明在设计FIR数字滤波器设计时,差分文化算法的收敛速度和性能都优于粒子群,量子粒子群以及自适应量子粒子群优化等算法,证明了该方法的有效性和优越性。     

基于自适应模拟退火遗传算法的非线性方程组求解

将非线性方程组的求解问题转化为函数的优化问题。针对传统的遗传算法（GA）容易早熟的不足,对其进行了两方面改进,采用自适应交叉比例产生交叉后代和变异后代,并融合模拟退火算法（SA）的思想,建立了自适应模拟退火遗传算法（ASAGA）。数值实验表明,该算法提高了遗传算法的全局搜索能力,是求解非线性方程组的一种有效算法。     

一种基于二次变异策略的改进型遗传算法

通过对基本遗传算法采用单点位变异和倒置变异两次变异操作进行改进,并把该算法应用到TSP问题的求解中。仿真结果表明,改进后的算法提高了种群的多样性,增强了算法的局部搜索能力,从而使最终找到的解比基本遗传算法更优。另外,二次变异的改进遗传算法对种群规模的敏感性比非二次变异的基本遗传算法更强,相同条件下当增大种群规模时,二次变异的改进算法能得到更优的解。     

WSNs的改进PF算法对移动机器人的定位跟踪

针对粒子滤波(PF)算法由于粒子的数量和质量的影响、重要性密度函数不能直接求得、重采样过程中噪声无法优化而使粒子退化严重以致跟踪精度不高的问题,提出了遗传方差自适应(GVA)PF(GVAPF)算法。首先利用遗传算法从大量粒子中挑选初始粒子,改善初始粒子的质量。然后对重采样过程的噪声采用方差自适应进行实时修改,使得重要性密度函数更加逼近状态的真实分布。仿真结果表明:改进的算法明显优于标准PF算法。     

基于正则化的混合准则放疗规划模型的改进

针对调强放射治疗中基于等效均匀剂量线性目标函数的物理生物混合准则模型的不足,利用正则化理论构造了最大函数的平滑和凸正则化函数,改进了基于等效均匀剂量线性目标函数的混合准则放疗规划模型,解决了原模型限制优化算法寻优能力和难以确定梯度算法步长的问题。实验证明,该方法可以在保证相似靶区剂量覆盖特性的前提下,更好地保护危及器官,提高了放疗计划质量。     

基于改进混合蛙跳算法的网格任务调度策略

针对网格任务调度问题,提出一种基于改进混合蛙跳算法的网格任务调度策略。通过引入遗传算子增加对局部极值的扰动,以避免陷入局部最优,同时借鉴粒子群优化算法中粒子飞行经验,对青蛙移动策略进行优化。实验结果表明,该策略高效合理,能够缩减执行任务的时间跨度,并提高最优解的质量。     

基于决策树对支持向量机的医学图像分类新方法

针对传统对支持向量机多类分类算法（Multi-TWSVM）中出现的模糊性问题,提出了一种基于遗传算法的决策树对支持向量机（GA-DTTSVM）多类分类算法。GA-DTTSVM用遗传算法对特征数据建立决策树,通过构建决策树可以分离样本的模糊区域,提高模糊区域样本的识别率。在决策树的每个节点上用对支持向量机（TWSVM）训练分类器,最后用训练的分类器进行分类和预测。实验结果表明,与决策树对支持向量机（DTTSVM）多类分类算法以及Multi-TWSVM相比,GA-DTTSVM多类分类算法具有较高的分类精度和较快的训练速度。     

基于改进遗传算法的3DNoC低功耗映射研究

二维片上网络（Two-Dimensional Network-on-Chip,2D NoC）在面积、功耗、布局布线、封装密度等方面都已达到了瓶颈。与2D NoC相比,三维片上网络（Three-dimensional Network-on-Chip,3D NoC）有着诸多优势,因此3D NoC逐渐成为一个重要的研究方向。随着3D NoC集成度的提高,低功耗映射逐渐成为研究热点。将贪心算法的思想与遗传算法相结合提出一种改进的遗传算法,用以解决3D NoC低功耗映射问题,相对于传统遗传算法,改进遗传算法具有更优的搜索能力。仿真结果表明,采用改进后的遗传算法解决3D NoC映射问题可以降低功耗,从总体趋势来看随着处理单元数量的增加功耗降低幅度逐渐增大,在120个处理单元情况下总功耗可降低14%。     

基于改进量子进化算法的特征选择

特征选择作为一种数据预处理技术被广泛研究,由于其具有NP难度而一直无法找到有效的求解方法。鉴于目前在特征选择中应用较多的遗传算法存在进化机制上的局限,将量子进化算法应用于特征选择,提出了一种基于改进量子进化算法的特征选择算法。以增加种群多样性和提高寻优性能为目标改进了量子进化算法,以Fisher比和特征维度为特征子集的评价准则构造了适应度函数,按照量子进化算法求解优化问题的步骤设计了特征选择算法。使用UCI数据库中的数据集对三种算法作对比验证,通过识别重要特征、提高学习算法性能、特征选择效率三组实验,结果表明,该算法能够识别出重要特征,并随着数据集特征维度升高,特征选择的性能逐渐优于对比算法,到了高维数据集,特征选择效率明显优于对比算法。