一种基于改进双曲正切函数的变步长自适应滤波算法

摘 要：为了改进现有变步长LMS（least mean square）算法性能方面存在的缺陷,提出一种改进的变步长谐波检测算法。该算法在原有双曲正切函数的基础上引入包含输入信号的因子 ,跟踪输入信号变化,以便分析算法性能,提高其抗干扰能力;并采用增加补偿项来确保算法的收敛速度;同时将步长迭公式中固定约束范围转变为动态范围,使步长变化相对平滑,稳态失调相对较小;最后利用归一化的处理方法改进权值公式,增大输入信号的动态范围。仿真结果表明,新算法在收敛速度、跟踪能力、抗干扰能力、稳态误差等方面较现有的变步长谐波检测算法有较大提高,是一种可行、有效、具有一定工程应用价值的算法。     

约束维特比译码的算法与在其二进制均衡信道中的性能研究

约束维特比算法是利用已知的正确信息，对维特比算法进行改进。本文针对约束维特比算法进行了探讨，并对其性能进行了仿真实验。仿真结果证明，在二进制均衡信道中当采用约束维特比算法时，性能得到了较大的提高。     

基于自组织神经网络的烧结终点自适应预报系统的开发

烧结终点的在线检测和提前预报对于稳定终点,进而提高烧结矿强度和产量、降低能耗有重要意义。文章介绍了烧结终点的软测量方法;提出了一个新的预报参数——风箱废气温度曲线拐点;将多层前向人工神经网络应用于烧结终点的预报,对BP算法做了较大改进,使学习算法可以自组织神经网络的结构。应用这些技术开发的烧结终点自适应预报系统能够快速、准确地判断和预报烧结终点的状态,可用于在线操作指导或作为自动控制的依据。     

改进的遗传混合蚁群算法在TSP问题中的应用

为了提高基本蚁群算法的收敛性能和全局求解能力,对基本蚁群算法进行了改进,提出了一种改进的遗传混合蚁群算法。在每代进化中保留最优解和次优解的公共解集后引入遗传操作中的交叉算子进行运算,并采用自适应改变信息素挥发系数的方法,加快了算法收敛速度,提高了解的全局性。通过对TSP问题的仿真运算表明,改进的遗传混合蚁群算法在收敛速度和解的全局性上都有较大的改善。     

粒子群优化算法在桁架结构优化中的应用

介绍了粒子群优化（PSO）算法的一种改进算法：用于约束优化问题的启发式粒子群优化（HPSO）算法。针对HP-SO算法在桁架结构优化中速度较慢的问题,将HPSO算法的约束处理策略与另一种适用于粒子群算法的约束处理方法结合,并将改进后的算法应用到1个桁架结构截面优化设计算例中,同时与HPSO算法进行对比分析。对于此算例,改进算法和HPSO算法都运行了多次,从多次运行的统计分析中可以看出,改进算法的优化效果和稳定性好于HPSO算法,且结构分析的次数减少了一半左右,从而整个程序运行的速度比HPSO算法提高了将近一倍。     

改进的ZigBee网络路由算法

为了减少路由跳数和网络延迟时间,提高路由效率与网络的整体性能,对ZigBee协议网络层(NWK)层原有的Cluster-tree算法和AODVjr路由算法进行了分析和研究,并且结合这两种路由算法提出了总体表现更好的综合改进算法.改进算法中引入了邻居袁并对RREQ的转发方向进行选择,有效的避免广播风暴.仿真实验结果表明,该算法减少了整个网络的路由跳数和时间延迟,有效的节约了网络的能量,提高了网络的总体性能.     

粒子群优化算法在桁架结构优化中的应用

介绍了粒子群优化(PSO)算法的一种改进算法:用于约束优化问题的启发式粒子群优化(HPSO)算法.针对HPSO算法在桁架结构优化中速度较慢的问题,将HPSO算法的约束处理策略与另一种适用于粒子群算法的约束处理方法结合,并将改进后的算法应用到1个桁架结构截面优化设计算例中,同时与HPSO算法进行对比分析.对于此算例,改进算法和HPSO算法都运行了多次,从多次运行的统计分析中可以看出,改进算法的优化效果和稳定性好于HPSO算法,且结构分析的次数减少了一半左右,从而整个程序运行的速度比HPSO算法提高了将近一倍.     

基于头脑风暴优化算法的Wiener模型参数辨识

Wiener模型是一种典型的模块化非线性模型,广泛应用于工业过程控制领域.由于其结构的非线性,参数辨识无法直接得到解析解.为此,将Wiener模型的参数估计转化为带约束的非线性优化问题,以头脑风暴优化(BSO)算法并行搜索该问题的最优解,并以搜索过程中的反馈信息调整BSO算法的变异过程,以改进算法的收敛速度和辨识精度.数值仿真和工业数据验证了所提算法的有效性.     

自适应微调扰动和声搜索算法几何约束求解研究*

几何约束求解的方法关系到特征造型系统的性能,为提高几何约束求解的速度,将和声搜索算法应用于几何约束求解中。通过优先选择较小的和声库,利用最好解的评价值确定微调扰动的幅度,并将其嵌入到拉斯维加斯算法中,提高了和声搜索算法的性能。实验结果表明,改进的和声算法具有自适应性,能有效克服局部收敛问题,提高了求解速度。     

一种定向式挖掘的连续域蚁群算法

针对蚁群算法在求解连续域优化问题时存在复杂度较大、迭代次数较长等问题,提出了一种用于连续域寻优的改进蚁群算法。改进的蚁群算法通过对解空间定向式挖掘来实现全局快速搜索。给出了新算法仿真实验步骤,并将改进后的蚁群算法与其他连续域蚁群算法以及其他智能优化方法进行仿真对比实验。详细的测试结果表明,改进后算法具有优良的全局优化性能,收敛速度也有很好的提升。     

基于灰色模型的无线传感器网络动态功耗管理研究

传感器节点能量受限是制约无线传感器网络使用寿命的关键因素,为了节约传感器网络的能量,提出了灰色模型的动态功耗管理(DPM)方法.该方法利用传感器节点上的历史数据应用灰色模型预测未来值,预测过程中可以动态调整预测参数,实现自适应预测,和小波自回归预测算法相比,提高了预测的准确性.基本思想是根据Sink节点上的数据来决定整...     

时延约束下快速门级双电压分配算法

针对门级电压分配算法速度慢的问题,提出了一种时延约束下基于门分组的双电压分配算法。通过门工作在低、高电压下的延时差与时延裕量的比较,将门分为高电压门组和低电压门组;针对违反时延约束的关键路径上的低电压门（称为关键低电压门）,采用最小割法逐渐升高其电压至电路满足时延约束。通过对ISCAS’85标准电路测试的实验结果表明,与已发表的算法比较,不但功耗有一定改进,且算法速度快。     

DTW语音识别算法研究与分析

研究动态时间规整(Dynamic Time Warping)语音识别算法问题,传统动态时间规整方法需要存储较大的矩阵,直接计算将会占据较大的空间,计算量也比较大,对系统硬件要求比较高。为了减小DTW算法的运算量,提高识别速度,对DTW语音识别算法进行优化改进。将局部路径约束和整体路径约束相结合,仅在一个规定的宽度内搜索动态规划路径,计算累积匹配距离。仿真实验结果表明该方法不仅可以降低运算负载,提高识别速度,而且能在一定程度上提高语音识别率。     

特征模型直接操作技术的研究

目前的语义特征造型系统,由于约束求解的速度比较缓慢,还不能支持直接操作的特性。利用特征依赖图的数据模型来保存和维护特征的信息及其之间的依赖关系,并且提出了约束操作算法和特征操作算法,将特征的操作局限在模型的特定区域内。该方法最大限度地减少了所需要求解的约束数目,满足了直接操作过程中对约束求解速度的要求,从而实现了对特征的直接操作。     

基于改进鱼群算法的几何约束求解

几何约束求解是CAD建模中的关键技术。针对求解质量不高和求解速度慢的问题,进行了研究。提出了一种鱼群算法和混沌算法相结合的几何约束求解方法。首先,将CAD模型中的几何约束关系表示为一组代数方程组;然后,利用代数方程组来构造目标函数。将几何约束求解问题转换为目标函数的优化问题。最后,使用混沌算法来改进鱼群算法以寻找目标函数的最优解。实验结果表明：该方法可以有效地解决几何约束问题。     

一种基于模糊函数的自适应平滑约束图像复原算法

为了在抑制噪声的同时保护图像的细节,提出了一种基于模糊函数的自适应平滑约束图像复原算法。该算法首先用模糊函数对图像局部区域内线元素的数量和方向进行评价,然后根据评价结果使用不同的高通滤波器构造平滑约束条件,同时使平滑约束条件随着图像复原的迭代过程不断更新,以便自适应地在图像平坦区域抑制噪声,而在存在物体边界的区域则保护细节信息。对比实验表明,此方法具有更高的收敛速度,更好的客观评价指标和主观视觉效果。     

约束改进的ICP点云配准方法

提高配准速度和精度是点云配准研究的重点。提出一种距离约束改进的迭代邻近点算法,针对邻近点法中找到的配准点,采用最近原则排除含相同点的点对;使用配准点重心作为参考点,结合点对距离约束排除误配准点对后进行点云配准;与使用点云重心作为参考点的方法和迭代邻近点算法进行了比较。实验结果表明,在配准速度和精度方面,提出的算法都有了提高,实现了点云的快速、准确配准。     

带反向预测及斥力因子的改进粒子群优化算法

针对传统粒子群算法在求解高维空间中复杂多峰函数时容易陷入局部最优的问题,提出带反向预测和斥力因子的改进粒子群优化算法。算法通过引入反向预测因子改进速度更新方式,以降低粒子在运动过程中产生惰性而出现早熟收敛的概率,并给出带斥力因子的位置修正策略,使粒子均匀分散于搜索空间,从而避免陷入局部最优。实验分析表明,在对高维空间中复杂多峰函数进行优化求解时,改进的粒子群优化算法较传统粒子群算法更加优越。     

改进粒子群—BP神经网络模型的短期电力负荷预测

为了准确、快速、高效地预测电网短期负荷,提出了改进的粒子群算法(MPSO),并与BP算法相结合,形成改进的粒子群—BP(MPSO-BP)神经网络算法,用此算法训练神经网络,实现了神经网络参数优化,得到了基于MPSO-BP算法的神经网络模型。综合考虑气象、天气、日期类型等影响负荷的因素,进行电网短期负荷预测。算例分析表明,与传统BP神经网络法和PSO-BP神经网络方法相比,该方法改善了BP神经网络的泛化能力,预测精度高,收敛速度快,对电力系统短期负荷具有良好的预测能力。     

基于免疫神经网络的陀螺仪漂移预测

BP神经网络可用于预测陀螺飘移误差，但容易陷入局部极值，训练速度很慢。针对上述缺点，该文提出了一种基于免疫算法的神经网络，以样本输出为抗原、神经网络权值矩阵为抗体，通过克隆、变异、抑制等步骤找到最优抗体，将最优抗体用于陀螺仪漂移预测。仿真试验显示，免疫训练算法能有效优化网络权值，基于该模型的漂移预测精度较高。