基于粒子群优化算法的小波阈值去噪方法研究

研究粒子群优化算法的特性,将其应用于小波域,对阈值进行寻优,并使用garrote阈值函数量化小波分解系数,而garrote阈值函数既克服了硬阈值函数的不连续性,也减小了软阈值函数存在的恒定偏差。实验仿真结果表明,提出的方法较传统方法具有更好的去噪效果。     

基于粒子群优化算法的图像小波阈值去噪研究

将粒子群优化算法应用于图像小波阈值去噪,从理论上分析了小波去噪基本原理,并采用PSO的算法求小波变换各子带的最优阈值,讨论了粒子数目、噪声大小、小波基的选择对本算法效果的影响。实验结果表明,与普通小波阈值去噪方法相比,该算法能获得较好的图像效果,提高信噪比。     

基于粒子群优化算法的图像小波阈值去噪研究

将粒子群优化算法应用于图像小波阈值去噪，从理论上分析了小波去噪基本原理，并采用PSO的算法求小波变换各子带的最优阈值，讨论了粒子数目、噪声大小、小波基的选择对本算法效果的影响。实验结果表明，与普通小波阈值去噪方法相比，该算法能获得较好的图像效果，提高信噪比。     

基于改进粒子群算法的PID参数优化方法研究

针对标准粒子群算法的一些缺点进行了改进，提出了MWPSO优化算法，即Multi-Weight PSO。将MWPSO优化算法用几个标准测试函数进行测试，结果表明该算法优化结果的指标参数比标准PSO算法有所提高。在此基础上，用MWPSO优化算法对PID控制中的参数进行优化并将结果与遗传算法的结果进行比较，优化结果在保证PID控制稳定性基础上提高了PID控制的精度，且编码简单、易于实现。具有较好的应用前景。     

粒子群优化算法改进及展望

粒子群优化算法是一种启发式全局优化技术,一种基于群智能的演化计算方法。本文给出了多种改进形式以及与其他算法的比较,并提出了未来可能的研究方向。     

粒子群优化改进小波阈值函数的去噪研究

小波阈值去噪在信号处理领域应用非常广泛。针对传统软、硬阈值函数算法存在的缺陷,许多学者提出了介于软、硬阈值之间改进型阈值函数算法。但这些阈值函数在整个小波空间域内高阶不可导,存在临界阈值处不能平滑过渡的现象。因此提出一个带参数的阈值函数,可以实现临界阈值处的平滑过渡。同时,采用粒子群优化算法,针对信号含噪情况,自动优化阈值函数参数,实现去噪过程的自动寻优。采用基准信号仿真结果表明,提出的算法可以获得更小的均方误差和更高的信噪比,达到了去噪实用化的效果。     

一种量子粒子群算法的改进方法

针对量子粒子群算法存在的问题,设计基于公共历史的两种群并行搜索的量子粒子群算法。在利用群体历史优质解及最优粒子变异的基础上,对粒子群进行筛选,加快粒子群的收敛速度,并采用两种群并行搜索,防止同时陷入局部极值。通过多个函数的测试,该算法在收敛速度及寻找全局最优方面,都表现出较好的效果。     

改进的粒子群优化算法

将基本粒子群算法粒子行为基于个体极值点和全局极值点变化为基于个体极值中心,并且按一定概率选择其他粒子的个体极值点,设计了一种新的粒子群优化算法.新算法的学习行为符合自然界生物的学习规律,更有利于粒子发现问题的全局最优解.实验结果表明了算法的有效性.     

基于量子粒子群算法的多方法协作优化方法

介绍粒子群算法和具有量子行为的粒子群优化算法QPSO(Quantum-behaved Particle Swarm Optimization).针对QPSO在处理高维复杂函数时存在的收敛速度慢、易陷入局部极小等问题,提出了基于QPSO算法的多方法协作优化算法,将QPSO算法与进化规划EP(Evolutionary Programming)算法协作.实验结果表明,改进算法在收敛性和取得最优值方面优于PSO算法和QPSO算法.     

基于改进粒子群算法的移动机器人路径规划方法研究

针对移动机器人传统路径规划算法效率不高、寻优能力差等问题,本文提出一种基于改进粒子群优化算法(PSO)的移动机器人路径规划方法。该方法采用神经网络训练碰撞罚函数,得到无碰撞路径,然后采用粒子群优化算法解决路径的最优问题。利用神经网络实现大量的并行和分布计算,发挥PSO简单、容易实现的优点,提高了路径规划的计算效率和可靠性。仿真结果表明,这种新路径规划方法是可行且有效的。     

基于粒子群优化的Shearlet自适应图像去噪

研究Shearlet变换域图像去噪阈值选取的问题,提出Shearlet变换域图像去噪自适应阈值选取方法.该方法根据Shear-let变换域不同尺度和方向系数的分布特性,采用粒子群优化算法自适应地确定各尺度和方向的最优阈值,实现基于图像内容的自适应去噪.仿真实验表明,该方法能有效滤除图像的噪声,较好地保留图像的边缘信息.同时,去噪后图像具有更高的峰值信噪比(PSNR).     

一种改进的均值粒子群算法

为了解决粒子群算法存在“早熟”现象和收敛速度慢的问题,本文提出一种改进的均值粒子群算法. 该算法采用非线性惯性权重,同时在每个迭代步,将粒子历史最优和种群全局最优取均值再乘以一个非线性权重的方法,以提高算法的全局搜索能力和收敛速度. 通过4个标准函数的测试,实验结果表明该算法的有效性.     

粒子群优化算法研究

粒子群优化算法是根据鸟群觅食过程中的迁徙和群集模型而提出的,用于解决优化问题的一类新兴的随机优化算法。本文首先介绍PSO算法的基本原理和工作机制;然后介绍粒子群优化算法的优化策略,包括提高收敛速度﹑算法离散化﹑提高总群多样性;最后对其将来的发展进行了展望。     

双群体随机微粒群算法

以保证全局收敛的随机微粒群算法为基础,文章提出了一种双群体随机微粒群算法——DB-SPSO。该方法采用两个群体同时进化,一个群体在进化过程中所出现的停止微粒由另一群体的微粒来代替,并和此群体中其余的微粒一起继续进化。通过对此算法的参数适用范围及收敛率进行讨论,给出了此算法的适用范围。其仿真结果表明:对于单峰函数和多峰函数,此算法都能够取得较好的优化效果。     

基于混沌序列的自适应粒子群优化算法

提出一种改进粒子群局部搜索能力的自适应优化算法。通过大量仿真试验,考察粒子平均速度和收敛性之间的关系,给出一种新的自适应调整权重策略。以粒子平均速度作为反馈信息,动态调整权重因子,控制粒子速度并使其沿理想速度曲线下降。在搜索过程中引入混沌序列以改进算法的局部搜索能力。对经典函数的测试结果表明,改进的混合算法通过微粒自适应更新机制确保了全局搜索性能和局部搜索性能的动态平衡,在稳定性和精度上均优于普通PSO算法。     

基于粒子群优化的DV-Hop定位算法研究

针对无线传感器网络(WSN)定位算法中的经典DV-Hop算法存在较大定位误差的问题,提出一种基于粒子群优化修正平均每跳距离的DV-Hop优化算法.该算法在以下三个方面进行改进:对于每个锚节点平均跳距计算,加入各个锚节点权重;提出主节点定义,网络拓扑结构将被考虑得更加全面,更好地权衡局部和全局特点,以此方法计算节点估计距离;提出中心学习策略,加入逃逸因子,避免粒子陷入局部寻优,最后用改进的粒子群算法代替极大似然估计法定位节点坐标.通过Matlab仿真软件验证,与原始DV-Hop和PSO-DVhop比较,结果分析此算法具有优越性和可行性.     

基于改进粒子群算法的Hammerstein模型辨识

提出辨识非线性Hammerstein模型的新方法。将非线性系统的辨识问题转化为参数空间上的函数优化问题,采用粒子群算法获得该优化问题的解。为了进一步增强粒子群优化算法的辨识性能,提出采用速度变异粒子群对整个参数空间进行搜索得到系统参数的最优估计。仿真结果验证了该方法的有效性。     

改进量子粒子群优化算法在图像增强中的研究磁

由于传统的图像增强方法在适应性方面存在不足,论文提出一种改进的图像增强方法。这种改进的算法是实变参数量子粒子群优化 QPSO-tp 算法。实验结果表明,改进后的算法在全局搜索能力和收敛精度上要优于原 QPSO 算法,具有调节参数少、随机性更强等优点。接着将遥感灰度图像的非线性变换增强过程用最优化问题进行处理,用 QPSO-tp 算法进行参数寻优,能够极大的提高图像的增强效果。     

一种基于微粒群算法修正相控阵相位量化误差的方法

针对相控阵天线波束指向受数字移相器量化相位影响而偏离预定指向的问题,从理论上研究了微粒群算法的应用模型,根据随机馈相的基本原理,修正了算法中微粒位置和速度因子的活动范围,计算机仿真的结果验证了该方法可行性和有效性。