粒子群优化算法在FIR数字滤波器设计中的应用

本文针对有限脉冲响应(FIR)数字滤波器的设计实质上是一个多参数优化问题,提出了一种用粒子群优化算法(PSO)设计FIR数字滤波器的方法.首先将滤波器的设计问题转化为滤波器参数的优化问题,然后利用粒子群优化算法对整个参数空间进行高效并行搜索以获得参数的最优化.FIR数字低通、带通滤波器设计实例证明了该方法的有效性和优越性.     

IIR数字滤波器的粒子群优化设计方法

探讨了IIR（Infinite Impulse Response）数字滤波器的设计,重点研究了IIR数字滤波器设计的粒子群优化（Particle Swarm Optimization,PSO）算法及算法框图,总结了粒子群优化算法的实现步骤。这一算法的提出,避免了传统算法的缺点,所设计的滤波器达到了理想的性能。通过实验表明,IIR数字滤波器的粒子群优化算法优于遗传算法。     

IIR数字滤波器设计的粒子群优化算法

本文探讨了粒子群优化算法及其性能评估准则，然后重点研究了IIR数字滤波器设计的粒子群优化算法及其实现步骤。最后，通过IIR数字低通、带通滤波器设计两个实例证明了本文算法的有效性。     

一种波导高通滤波器的优化设计

应用粒子群优化算法分析了波导高通滤波器阻抗变换段的阻抗值,并在此基础上设计了s波段宽阻带波导高通滤波器,该滤波器的实测结果与数值计算吻合很好,具有工程应用价值。     

车间调度问题的量子粒子群优化算法设计

针对粒子群优化算法搜索空间有限、容易出现早熟现象的缺陷,将量子粒子群优化算法用于求解车间调度问题,按照量子粒子群优化算法的进化规则在调度空间内搜索最优解,并对量子粒子群算法的参数选择进行了研究。以典型的Job-Shop调度问题作为实验对象,实验结果表明QPSO算法相对PSO算法具有较好的全局搜索能力。     

基于自适应变异粒子群优化算法的自适应滤波器设计

本文提出了设计一种基于自适应变异粒子群优化算法的振动信号的自适应滤波模型，然后重点研究了自适应数字滤波器设计的粒子群优化算法及其实现步骤。该滤波模型在计算机仿真测试中，获得了很高的效率和良好的结果。     

基于自适应粒子群优化算法的限速标志识别

针对经典的粒子群优化算法收敛性能不足的问题,提出了一种自适应粒子群优化算法。该算法对进化过程中的收敛方向进行动态调整,通过学习因子对参数选取过程进行调节,使收敛的初期趋向全局最优,后期趋向局部最优。采用自适应粒子群优化算法对支持向量机模型参数进行优化,并应用于限速标志的识别,实验结果表明,文中基于自适应粒子群优化算法的方法拥有较高的识别率,同时算法收敛性显著高于经典的粒子群优化算法。     

中心粒子群优化算法

在线性递减权重粒子群优化算法(LDWPSO)中提到了中心粒子这一概念,进而提出了中心粒子群优化算法(中心PSO)。在线性递减权重粒子群优化算法中,中心粒子不像其它一般的粒子,中心粒子没有明确的速度,并且被始终置于粒子群的中心。此外,在神经网络训练算法中比较中心粒子群优化算法和线性递减权重粒子群优化算法,结果表明:中心粒子群优化算法的性能优于线性递减权重粒子群优化算法。     

粒子群优化算法在海杂波参数优化中的应用

以具有对数正态分布和高斯谱特性的海杂波产生为例,根据零记忆非线性变换法（ZMNL）的原理,将海杂波的产生转化为参数优化问题,并用粒子群优化算法（PSO）进行求解,最后还将仿真结果与遗传算法进行了比较。讨论了用PSO进行参数优化的具体实现过程,并找到了较优的滤波器系数,得到满意的杂波谱特性。仿真结果表明,该方法完全可应用到海杂波的产生方法中。     

解决全局优化问题的粒子群进化算法

针对复杂全局优化问题,提出一种粒子群进化算法(PSOEA)。针对粒子群算法容易陷入局部最优等缺点,设计一个新的变异算子,使得粒子能够在整个空间进行搜索,同时保证了算法的收敛性。用概率论的有关知识证明了算法的收敛性。仿真结果表明,对于全局优化问题,算法寻优性能优良,特别是对于超高维优化问题,该算法能获得更高精度的解。     

基于粒子群优化算法思想的组合自适应滤波算法

根据粒子群优化(PSO)算法的社会心理学指导思想并结合自适应FIR滤波器的特点,设计了合适的惯性项、认知项与社会项表达式,并将之应用于组合自适应滤波器的子自适应滤波器更新中,提出了基于PSO算法思想的组合自适应滤波算法,分析了新算法的计算复杂度。理论分析与不同条件下的自适应系统辨识仿真结果表明,新算法可以在不明显提高计算量的条件下较好地平衡自适应滤波器的稳态失调与跟踪能力,其收敛性能优于其它几种较新的LMS算法。     

Particle Swarm Optimization with Parameter Dependency Walls and its sample application to the microstrip-like interconnect line design

In this paper, we first propose and formulate a novel approach in Particle Swarm Optimization (which we call “Particle Swarm Optimization with Parameter Dependency Walls”) for handling the dependencies between the design parameters. After revisiting the definition of Particle Swarm Optimization; we try to visualize the physical meaning of the concepts lying beneath our approach, and demonstrate the existence of analytical solution needed throughout the implementation. In order to illustrate a practical application of our approach, we first revisit the empirical closed-form characteristic impedance expression for the microstrip-like interconnect line with a ground plane aperture. Then, we apply our approach in order to calculate the optimized parameters of microstrip-like interconnect lines in the synthesis problem. The proposed procedure can be useful for the rapid solution of the optimization problems in which there exist dependencies between/among the input variables.     

贝叶斯极限梯度提升机结合粒子群算法的电阻点焊参数预测

电阻点焊是多种因素交互作用的复杂过程.该过程的复杂性加上数据规模小和工艺不稳定问题使得难以建立精确的数学模型来对电阻点焊参数进行预测.该文提出一种将贝叶斯极限梯度提升机(Bayes-XGBoost)与粒子群优化(PSO)算法结合的方法,对厚度为0.15 mm的镍片和0.4 mm的不锈钢电池正极帽选取合适的样本特征和样本组合;利用极限梯度提升机(XGBoost)的非线性切分能力和防控过拟合机制对点焊工艺参数进行正向训练,并引入贝叶斯优化为梯度提升机选取最佳超参数;利用粒子群优化算法的全局寻优能力,对可变目标值的工艺参数进行反向预测,从而得到最优工艺参数.电阻点焊实验表明该方法比文中其他对比算法具有较强的综合性能,能够有效辅助点焊工艺.     

基于一种新的粒子群算法的天线方向图综合技术

该文在线性递减权重粒子群算法的基础上提出了一种新的准粒子群优化算法。新算法借鉴了遗传算法中交叉的思想并采用了对偶算法模型改善了算法的优化速度和收敛特性。仿真表明,将此算法应用在天线方向图综合中,取得了良好的优化效果。     

基于VMPSO-BP神经网络的话务量预测

为了更快速、准确地预测移动话务量,提出了速度变异的粒子群算法（VMPSO）,并与BP算法相结合,形成速度变异的粒子群—BP（VMPSO-BP）神经网络算法,用以训练神经网络,从而优化了神经网络的参数,最后对移动话务量进行预测。与传统BP神经网络方法和PSO-BP神经网络方法相比较,并且通过实验数据的分析以及对预测结果地比较,速度变异的粒子群—神经网络预测方法精度更高,收敛速度更快,从而更好地实现了对移动话务量地预测。     

改进粒子群算法的多峰值优化研究

粒子群优化算法对于多维函数的最优解搜索存在前期易陷入局部最优,后期收敛速度缓慢的问题.将改进的k-中心点聚类分析与PSO相结合提出了一种混合粒子群算法KM-PSO,用于多峰值问题的优化.在算法中,利用k-中心点聚类分析方法将粒子群划分成若干个子群,结合PSO的隐含并行搜索的优势增强了寻优性能.不仅增加了粒子间的信息交换,抑制了早熟收敛,还提高了全局寻优速度和计算精度.仿真实验结果表明,KM-PS0性能优于基本粒子群优化算法.     

一种基于PSOSVM的盲隐写分析方法

针对盲隐写分析中的特征选择问题,提出了结合粒子群优化算法（PSO）的支持向量机分类器进行特征选择的方法。该方法使用非线性支持向量机作为分类器,使用PSO为支持向量机寻找最优的图像特征集合作为训练集和测试集,同时选择最优的支持向量机参数,进而利用最优的特征集和支持向量机参数对隐写图像进行检测。实验结果表明,该优化方法明显优于Farid。ANOVA和F—score方法,提高了检测隐写图像的成功率和系统检测效率。     

基于Grefenstette编码下MicPSO的离散频率编码波形设计

该文在分析离散频率编码波形信号(DFCW)的模糊函数基础上,建立了离散频率编码信号设计的优化模型,将微群粒子群优化算法(MicPSO)应用于DFCW设计。针对DFCW设计为排列优化问题,引入了Grefenstette编码作为MicPSO的粒子编码进行优化设计。仿真结果表明,DFCW的自相关峰值旁瓣、多普勒容限主要与信号码长有关,而通过该优化设计,信号的互相关性能得到极大改善,与已有方法相比,该方法时间开销小,优化结果更理想。     

干扰识别的量子粒子群和支持向量机算法

根据支持向量机结构风险最小化原则和量子粒子群快速全局优化的特点,提出了干扰样式识别的QPSO-SVM算法。采用量子粒子群算法优化支持向量机参数,建立了干扰样式特征组分识别的模型,经过仿真试验,表明该算法具有识别率高,计算时间短的优点。