基于粒子群算法的跳频信号参数估计*

针对基于时频分布的参数估计存在信噪比阈值和低信噪比下方差大的问题,提出了一种基于多峰优化粒子群算法的跳频信号参数估计新算法。该算法首先将跳频信号分解为时频原子的线性组合,然后由匹配原子获取跳频信号的参数估计。仿真结果表明,基于改进的物种形成粒子群算法能够搜索到与跳频信号分量相匹配的原子,与平滑伪魏格纳分布相比,提出的参数估计算法在低信噪比下具有较小的估计方差,更加适宜于电子战的实际应用。     

基于粒子群优化算法的非线性系统模型参数估计

非线性模型的参数估计是较为困难的寻优问题,经典方法常会陷入局部极值。由于粒子群算法是一种有效的解决优化问题的群集智能算法,它的突出特点是操作简便、容易实现且全局搜索功能较强,故将粒子群优化算法用于非线性系统模型参数估计,并通过对3种典型的非线性模型的参数估计进行了验证。实验结果表明：粒子群优化算法参数估计精度高,是一种有效的参数估计方法。     

基于粒子群优化算法的非线性系统模型参数估计

非线性模型的参数估计是较为困难的寻优问题,经典方法常会陷入局部极值.由于粒子群算法是一种有效的解决优化问题的群集智能算法,它的突出特点是操作简便、容易实现且全局搜索功能较强,故将粒子群优化算法用于非线性系统模型参数估计,并通过对3种典型的非线性模型的参数估计进行了验证.实验结果表明:粒子群优化算法参数估计精度高,是一种有效的参数估计方法.     

基于粒子群算法的Logistic回归模型参数估计

针对Logistic回归模型中的参数估计计算复杂难题,提出一种基于粒子群优化算法（PSO）的估计方法。以最大似然准则作为粒子群优化算法的适应度函数,建立了Logistic回归模型中的参数估算模型。数值仿真分析表明,粒子群优化算法可以更精确地计算出相关参数。     

基于粒子群优化算法的Richards模型参数估计和算法有效性

针对Richards模型参数估计较为困难的实际问题,提出将Richards模型的参数估计问题转化为一个多维无约束函数优化问题。结合谷氨酸菌体的实际生长浓度数据,在Matlab 2012b环境中,利用粒子群优化（PSO）算法建立适应度函数,在最小线性二乘意义下估计Richards模型中的4个参数,并建立了拟合的生长曲线和最优值变化曲线。为进一步验证算法有效性,将PSO算法与该模型传统参数估计法中的四点法和遗传算法(GA)进行了比较,以相关指数和剩余标准差作为评价指标。结果表明,PSO算法对Richards模型的拟合效果良好,对模型的参数估计有着很好的适用性。     

基于改进的粒子群算法的多元线性回归模型参数估计

针对基本粒子群算法易陷入局部解的不足,本文基于基本粒子群算法,着重对惯性权重因子进行改进,在非线性递减惯性权重策略基础上增加随机因素的考虑,给出了改进的算法—非线性递减随机惯性权重粒子群算法。并利用国际常用基准测试函数进行仿真实验,测试结果验证了改进算法的计算性能优于基本粒子群算法。在此前提下,本文针对多元线性回归分析中的参数计算复杂问题,又提出一种基于上述改进算法的参数估计方法,以最大似然准则作为粒子群优化算法的适应度函数,建立多元线性回归分析中的参数估计计算模型。算例仿真结果显示,该方法是高效和实用的。     

基于多路欠采样的多分量LFM信号参数估计

针对多分量线性调频(Linear frequency modulated,LFM)信号,提出了一种基于多路欠采样的参数估计方法。采样过程由多个采样速率相同、采样时刻不同的模数转换器实现,总采样率可以低于信号的奈奎斯特采样率。基于欠采样序列乘积型模糊函数的单频特性,可以通过峰值检测实现调频斜率的估计。根据估计出的调频斜率对各路欠采样序列进行解线调处理,可得到多频正弦信号。结合矩保持问题的求解方法以及对超定方程组的求解,可以根据解线调后的各路序列估计出原始LFM信号各分量的初始频率。本文方法能够根据亚奈奎斯特采样样本实现LFM信号的参数估计,并且运算简单、易于实现。仿真实验验证了其有效性和准确性。     

基于免疫粒子群算法的参数估计方法

针对污水生化反应模型参数估计问题,提出一种基于免疫粒子群算法的估计方法。该方法采用免疫算法保持粒子群的多样性,避免粒子群算法的过早收敛而降低寻优能力。利用估计的参数值对实验数据进行拟合,仿真结果表明,拟合误差率低于标准的粒子群和遗传算法,进一步提高了污水生化反应模型参数估计精度。     

基于稀疏分解的微弱多分量LFM信号参数估计

Wigner-Ville分布是线性调频(LFM)信号参数估计方法中的常用方法,但其缺点是对多分量LFM信号有严重的交叉项.文中以稀疏分解方法为基础,利用匹配追踪(MP)算法将微弱多分量LFM信号在过完备原子库上进行分解,由分解得到的原子参数可以估计出各个LFM信号的起始频率和调频斜率,从而实现了微弱多分量LFM信号的参数估计.仿真验证了该方法的有效性.     

一种LFM信号参数估计的新方法

提出了基于降维处理的LFM信号参数估计新方法。其基本思路是对信号进行数学变换,将LFM信号的中心频率估计转换为对正弦信号频率的估计,得中心频率估计值;基于解线性调频处理并对信号进行对应中心频率处的单值点DFT得到单值幅度谱,进而得到调频斜率估计值。新方法在较低的计算复杂度下,能获得较高精度的参数估计值。计算机仿真结果表明了该方法的有效性。     

基于PSO算法的变差函数球状模型参数拟合

对一阶变差函数球状模型及其二阶套合结构的参数拟合进行研究,利用粒子群优化(PSO)算法在求解非线性优化问题时收敛的快速性以及全局寻优的有效性等优势,将待拟合球状模型的参数组合为一个粒子向量,在PSO算法迭代过程中对部分粒子进行混合柯西-高斯变异,实现变差函数球状模型最优参数的自动拟合。仿真实验结果表明,该方法操作简单、可靠性高。     

基于PSO算法的probit模型参数估计

针对二值probit回归模型中的参数估计问题,提出一种基于粒子群优化（PSO）的参数估计算法。该算法采用以最大似然准则作为PSO的适应度函数,建立二值probit回归模型中的参数估计计算模型。数值仿真分析表明,该算法性能较好,回归结果具有较高的拟合优度。     

基于个体状态的粒子群优化算法

针对标准粒子群算法的种群多样性丧失和算法早熟收敛问题,借鉴自然界中群居动物个体行为的独立性特征,提出粒子的个体状态概念,给出一种基于微粒个体状态和状态迁移的粒子群优化算法。对典型函数测试结果的比较表明,改进后算法的寻优能力明显高于标准粒子群算法。与其他改进算法相比,该算法的寻优能力也较强。     

基于粒子群优化的Unscented粒子滤波算法

针对Unscented粒子滤波(UPF)算法中的粒子退化及重采样引起的粒子枯竭等问题,利用粒子群优化算法使粒子通过比较其当前值与最优粒子的适应度值调整自身速度,向高似然域移动,寻找最优位置,并对重采样过程进行优化,以缓解粒子的退化及枯竭问题。实验结果证明,该算法提高了UPF算法的状态估计精度。     

基于子区域的粒子群优化算法研究

针对粒子群优化(PSO)算法在寻优时容易陷入局部最优的不足,提出一种基于子区域的PSO算法。将搜索空间划分成若干个子区域,在各个子区域中均使用标准PSO算法进行寻优,通过比较各个子区域的全局最优解,从而得出整个搜索空间的全局最优。与标准PSO算法及自适应变异PSO算法的比较结果表明,该算法能降低在寻优过程中陷入局部最优的概率,具有较强的寻优能力。     

基于改进粒子群优化算法的S盒优化设计

采用传统方法设计的S盒性能较差,而常用智能设计方法又存在设计时间过长、容易陷入局部最优的缺点。为此,提出一种基于改变粒子群优化算法的S盒优化设计方法。通过改变惯性权重来提高搜索速度和精度,从而增大算法效率。实验结果表明,该方法可以快速地搜索到能有效抵抗差分密码分析和线性密码分析的S盒,改善其密码性能。     

基于文化微粒群优化算法的DNA编码研究

对DNA编码约束进行研究,选择汉明测量以及相似度作为DNA序列集设计的主要约束,并结合连续性约束与GC Content约束,将序列集设计问题抽象为带有强约束的多目标优化问题,采用文化微粒群算法解决该多目标优化问题。仿真结果表明,该混合算法针对DNA编码序列设计问题,在求解最优值能力、解的稳定性方面都能取得较好的效果。     

基于协进化粒子群优化的认知决策引擎

提出基于协进化理论的认知无线电参数跨层优化体系结构和基于协进化粒子群优化算法的认知决策引擎。通过协进化技术将高维粒子降低为低维粒子,提高算法收敛速度和收敛效率。对多载波系统进行仿真分析,结果表明,基于协进化粒子群优化算法的认知决策引擎在收敛速度和运行效率上优于基于二进制粒子群优化和量子遗传的认知决策引擎。     

一种基于线性动态参数的自适应粒子群优化算法

提出一种权重因子和认知因子线性自适应性改变的粒子群优化算法(APSO-LDP),该算法中个体学习因子和社会学习因子都可以按设定的方式进行线性适应性改变。其中个体学习因子的线性减少、社会学习因子的线性增大,有助于粒子群前期的多样性和后期的跟随最优粒子,而惯性权重的线性减少更达到快速收敛和局部搜索能力的平衡。实验表明,该改进算法具有较好的寻优能力。     

基于仿生学改进的粒子群算法

针对标准粒子群算法收敛速度慢和易陷入局部最优的局限性,提出了一种基于仿生学改进的粒子群算法。即通过在标准粒子群公式中加入负梯度项,使算法更加符合鸟群觅食的实际规律,同时使算法的全局和局部搜索能力得到了平衡。仿真对比结果表明,改进的粒子群算法减小了陷入局部极值的可能性,能够提高最优解的精度和优化效率。