利用粒子群算法实现信号OMP稀疏分解

稀疏表示在信号处理的许多方面都有着重要的作用,但是其计算量巨大难以应用在实时信号处理上.本文使用粒子群优化算法实现基于正交匹配追踪算法(OMP)的信号稀疏分解,粒子群算法能有效寻找OMP分解每一步中的最优原子,OMP是对匹配追踪算法(MP)的改进,收敛效果更好.实验结果验证了此算法的有效性.     

信号稀疏分解的人工蜂群-MP算法

研究过完备原子库信号分解优化算法问题,信号的稀疏表示在信号去噪、信号压缩等方面有明显的优势。但因稀疏分解计算量巨大需要较长的计算时间,难以满足实时性要求,在实际应用中受到极大的限制。为此提出人工蜂群算法,具有需要设置的参数少、收敛速度快、鲁棒性强等优点,快速寻找匹配跟踪过程中每一步的近似最佳原子,对信号进行有效地稀疏分解。改进传统迭代的终止条件,以克服传统的迭代终止条件难以选择合适迭代终止阈值的问题,实现信号快速稀疏分解。实验结果表明,改进算法对信号的稀疏分解质量与粒子群算法和遗传算法相当,但运算速度均优于粒子群算法和遗传算法。     

语音信号稀疏分解的FOA实现

信号的稀疏表示在信号处理的许多方面有着重要的应用,但稀疏分解计算量十分巨大,难以产业化应用。利用果蝇优化算法实现快速寻找匹配追踪（MP）过程每一步的最优原子,大大提高了语音信号稀疏分解的速度,算法的有效性为实验结果所证实。     

粒子群优化在心电信号稀疏分解中的应用

心电信号的稀疏分解能得到稀疏表示形式,便于心电信号的压缩、波形检测识别等.但稀疏分解计算非常复杂,是一个NP问题.粒子群优化是群体智能优化算法,算法简单易于实现,且搜索效果好,已在很多实际应用中得到验证.把粒子群优化算法用于心电信号稀疏分解的最优匹配原子的搜索,用这种群体智能优化搜索算法代替全局搜索能降低稀疏分解复杂度,同时减少稀疏分解的超完备字典对存储空间的占用.实验结果表明,该方法切实可行.     

一阶实值多项式相位信号快速稀疏分解算法

针对稀疏分解运算量巨大的问题,提出了一种针对一阶实值多项式相位信号(PPS)运算量较小的稀疏分解算法,从而实现了稀疏分解的快速性。该算法采用如下策略：首先采用级联字典的方式,即字典D由Df和Dp级联而成,其中字典Df的原子主要考虑一阶实值多项式相位信号的频率成分,不考虑相位因素,而字典Dp的原子主要考虑一阶实值多项式相位信号的相位成分,不考虑频率因素;其次对字典Df的原子与信号进行匹配测试,测试采用群测试算法搜索匹配的原子,并采用二次测试的方法来达到测试的准确性;最后根据测得的匹配频率原子,构造字典Dp,并通过匹配追踪（MP）算法搜索到匹配的相位原子,从而完成了信号的稀疏分解。仿真结果表明该算法的效率约为匹配追踪算法的604倍和遗传算法的139倍,具有运算量小、稀疏分解快的特点,复杂度仅为O(N),而且不具有智能计算的随机性。     

利用人工鱼群算法实现基于MP的信号稀疏分解*

人工鱼群算法（AFSA）是一种新的智能优化算法,具有鲁棒性强、全局收敛性好,及对初值的不敏感性等特点。将人工鱼群算法运用到信号的稀疏分解中,可快速寻找匹配追踪(MP)过程中每一步分解的最佳原子。此方法提高了信号稀疏分解的速度,算法的有效性为实验结果所证实。     

利用FFT实现对LFM信号的快速稀疏分解

针对传统稀疏分解算法致使冗余字典中原子数量巨大的缺陷,提出一种线性调频信号的快速稀疏分解算法。这种算法根据线性调频信号本身的特点构建冗余字典中的原子,构建了两个冗余字典,通过级联的方式,完成了线性调频信号的快速稀疏分解。通过分析,采用这种级联的方式使得总的原子数量远小于一个冗余字典中的原子数量。在利用第一个冗余字典进行稀疏分解时,该算法通过快速傅里叶变换寻找最大值在另一个冗余字典中同时得到最匹配的原子。实验结果证实这种算法比其他3种采用单一冗余字典的稀疏分解算法,不仅加快了稀疏分解速度,而且具有更好的收敛性。     

基于自适应稀疏分解的声音识别算法

针对公共环境中异常声音的检测与识别存在的强噪声干扰及检测效率低的问题,提出基于参数自适应匹配跟踪的声信号识别算法.基于粒子和种群的进化率改进粒子群参数的自适应设置并优化稀疏分解目标函数;基于自适应粒子群算法的连续集搜索特性建立连续超完备Gabor原子集,以提高最匹配优原子与声信号的匹配度并加速原子的匹配搜索;使用SVM分类器实现公共环境异常声信号的复合特征识别.实验结果表明,与已有算法相比,该算法的公共环境异常声信号的识别率最优,且对不同背景噪声具有较好的识别鲁棒性.     

基于MP算法的语音信号稀疏分解

语音信号稀疏分解是一种新的语音信号分解方法,可以将语音信号分解为很简洁的近似表达形式。在语音信号稀疏分解的基础上,可应用于语音处理的多个方面,如语音压缩、语音去噪和语音识别等。研究利用Matching Pursuit（MP）算法实现语音信号的稀疏分解,实验结果表明基于MP算法的语音信号稀疏分解具有较好的重建精度和较高的稀疏度。     

FOA-LM算法及其在语音信号稀疏分解中的应用

信号的稀疏表示在信号处理的许多方面有着重要的应用,但稀疏分解计算量十分巨大,难以产业化应用。粒子群优化（PSO）及果蝇优化（FOA）等智能算法具备前期收敛速度快,全局搜索能力强的优点,应用到语音信号的稀疏分解中,虽然大大提高了语音信号稀疏分解的速度,但是该类算法后期的收敛速度较低,稀疏分解速度仍然偏低。拉凡格氏（LM）算法具有收敛速度快,精度高的特点,但是LM算法依赖初值,这使它的应用受到了限制。结合智能算法FOA及LM算法的优点,采用FOA算法求出Gabor原子参数初值,利用这些初值进行LM迭代搜索最优原子。仿真结果表明,基于FOA优化算法和LM算法相结合的方法,具有收敛速度快,精度高的特点,有较高的实用价值。     

一种新的融合粒子群算法的混合蟑螂群算法

针对连续蟑螂算法存在初始解质量不高和算法评价次数过多的问题,提出了一种融合了粒子群算法的混合蟑螂群算法并应用于函数优化问题.首先由基本粒子群算法快速收敛到解空间内一个相对优的解,然后由一种改进的蟑螂算法完成全局寻优.仿真结果显示:混合蟑螂算法具有收敛速度快、求解精度高的特点,其算法整体性能优于已存在的连续蟑螂算法.     

基于鱼群算法的高光谱图像稀疏分解研究

研究高光谱图像的稀疏分解问题,能够降低高光谱图像的数据量,便于后续处理,但传统正交匹配追踪算法的计算复杂度高、不能满足实时处理要求。针对上述问题,提出了一种利用人工鱼群算法实现高光谱图像稀疏分解的算法。算法采用人工鱼群自上而下的寻优模式,通过鱼群中各个体的局部寻优,实现全局最优值在群体中凸显出来的目的,以人工鱼群的更新过程对正交匹配追踪算法的匹配过程进行改进,完成稀疏分解。实验结果表明,与正交匹配追踪算法相比,所提算法计算复杂度低,计算效率提高15倍,且能够提高重构图像的峰值信噪比,充分说明改进算法能够满足实时性要求,更有利于实现高光谱图像的稀疏分解。     

基于人工蜂群算法的群体动画研究与应用

对群体行为的仿真一直是动画研究领域的重点,传统的群体动画制作手段工作量大,制作出的效果不能满足人们的需求,同时如何表现出个体运动的独立性以及群体运动的整体性是群体行为仿真的难点所在。为解决上述问题,将人工蜂群算法应用于群体行为仿真中。首先对人工蜂群算法原理分析,然后将人工蜂群算法的智能性应用于群体动画中,即使用了人工蜂群算法的思想,又针对不同群体行为进行了修改,从而产生了一种新的快速的制作群体动画的方法。仿真结果表明,人工蜂群算法能够真实模拟群体行为,为设计提供了依据。     

基于MATLAB的粒子群优化算法及其应用

该文探讨了粒子群优化算法及其改进，并提出了算法的离线性能评估准则和在线性能评估准则。在此基础上重点研究了MATLAB环境中粒子群优化算法的仿真方法，主要包括数据结构设计、参数编码以及进化信息跟踪等关键内容。最后，对典型的多峰函数优化试验表明：作者开发的粒子群优化算法结构简单，运行快，是一个通用有效的优化工具。     

基于粒子群算法的数字滤波器优化与仿真

研究数字滤波器优化问题,针对传统算法在数字滤波器优化过程中易出现“早熟”和后期收敛速度慢等等问题,提出了一种动量交叉粒子群算法的数字滤波器优化方法.首先把求解数字滤波器参数的问题数学化为性能指标优化模型,然后采用动量交叉粒子群算法找到符合特征要求的数字滤波器参数值,并通过仿真对性能进行测试.仿真结果表明,动量交叉粒子群算法较好地解决了传统算法的易出现“早熟”和后期收敛速度慢等等难题,设计数字滤波器的频域响应十分逼近理想频域响应,提高数字滤波器的设计效率.     

基于改进粒子群算法的无人机爬升轨迹优化

研究无人机控制优化爬升性能问题,由于单独提高速度或节省燃油问题,均存在互相影响。为了使无人机能够快速、省油地爬升到预定高度,综合考虑了油耗和时间这两个因素。在分析了无人机爬升段数学模型的基础上,提出将油耗和时间的综合运营成本作为优化指标,并提出了一种改进粒子群算法的无人机爬升轨迹优化方法。将无人机轨迹优化问题转化为有约束的参数优化问题,并用改进粒子群算法进行参数优化,从而得到综合指标最优的爬升轨迹。对某无人机实例进行爬升轨迹优化,仿真结果比传统方法更节省了运营成本,证明了改进方法的优越性。     

基于粒子群优化算法的移动机器人全局路径规划

提出了一种基于粒子群优化算法的移动机器人全局路径规划方法.该方法首先进行环境地图建模,通过坐标变换在路径的起点与终点之间建立新地图,然后利用粒子群优化算法获得一条全局最优路径.该方法模型简单,算法复杂度低,收敛速度快,而且模型不依赖于障碍物的形状.仿真实验证实了该方法的有效性.     

基于粒子群优化算法的PID控制器参数整定

PID控制器的性能完全依赖于其参数的整定和优化,但参数的整定及在线自适应调整对常规的PID控制器是难以解决的问题。根据粒子群算法具有对整个参数空间进行高效并行搜索的特点,提出了一种基于粒子群优化算法整定PID控制器参数的设计方法,并定义了一种新的性能指标函数来评价PID控制器的性能。现以二阶的船舶控制装置为研究对象,运用粒子群优化方法对PID控制器参数进行了寻优研究。仿真结果表明,该方法比一般PID参数整定方法具有更好的控制性能指标,有着一定的工程应用价值。     

PSO算法速度更新时随机数产生的分析

介绍粒子群优化原理,对粒子群速度更新时随机数的产生问题进行理论研究,采用标准测试函数对随机数的3种产生方式进行数值实验,并对实验结果给出相应的理论解释,有助于了解粒子群优化算法的运行机制,为算法的进一步研究提供一定数值依据。     

具有随机惯性权重的PSO算法

微粒群算法（PSO算法）是模拟鸟类、鱼群等的群体智能行为的一种优化算法,当前,在相关领域内,倍受国内外学者关注。该文在分析基本PSO算法的速度进化方程的基础上,提出一种能更好描述微粒进化过程的速度方程,由其引出一种具有随机惯性权重的PSO算法;通过五个典型测试函数的仿真实验,验证了其可行性,同时也表明具有随机惯性权重的PSO算法较具有线性递减惯性权重的PSO算法在收敛速度和全局收敛性方面有明显提高。