基于改进粒子群优化算法的IIR数字滤波器设计

针对粒子群优化(PSO)算法存在早熟收敛问题,提出了一种改进算法——带有柯西扰动的重分布粒子群优化(RPSO)算法,并应用于IIR数字滤波器的优化设计。RPSO在检测到粒子群早熟收敛时,自动触发粒子重分布机制,帮助粒子逃离局部收敛区域,同时在迭代过程中对种群的全局最优位置施加柯西扰动以保持种群的多样性。仿真实验结果表明,在对IIR数字滤波器设计时,RPSO算法的性能优于粒子群、量子粒子群以及基于混沌变异的粒子群优化等算法。     

基于微粒群算法的自适应IIR滤波器的优化设计

针对自适应IIR滤波器潜在的不稳定性和性能指标函数容易陷入局部极小点而导致性能下降等问题,用一种新的优化算法-微粒群算法来对自适应IIR滤波器进行优化设计,它不依赖于梯度信息,能够有效地实现自适应IIR滤波器参数的全局寻优,仿真结果表明用微粒群算法进行参数寻优优于遗传算法,不仅解决了自适应滤波器性能指标函数容易陷入局部极小点的问题,也解决了稳定性问题。     

基于混沌粒子群优化算法的FIR数字滤波器设计

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.将粒子群优化算法与混沌相结合来设计FIR数字滤波器,并用该方法设计了一个高通滤波器.与用Parks-McClellan算法设计得到的高通滤波器进行对比发现,基于混沌粒子群优化算法(CPSO)的FIR滤波器通带波动小,阻带衰减大,从而证明了该算法的有效性和优越性.     

基于粒子群优化算法的自适应滤波

提出并设计了一种基于粒子群优化算法的振动信号的自适应滤波模型。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。     

模型参考自适应IIR递归滤波器辨识新算法

针对自适应IIR滤波器算法容易陷入局部极小点的缺陷,提出了一种新的自适应递归滤波辨识算法.该算法采用模型参考自适应系统设计了辨识参数自适应律,基于Lyapunov理论保证了自适应递归算法的稳定性,而且辨识参数收敛.仿真结果表明了该算法的可行性和滤波器结构的正确性.     

基于粒子群优化算法的模拟滤波器设计

采用传统的网络综合法设计计波器存在带宽不精确及阻带衰减过小的问题,为此,提出一种基于粒子群优化算法的无源模拟滤波器优化设计方法.在网络综合法设计的滤波器电路基础上,利用粒子群优化算法对滤波器的整个参数空间进行高效并行搜索直到获得最优的参数值.实例表明,采用该方法设计的滤波器带宽更加准确,且具有更加陡峭的阻带衰减.     

基于粒子群优化算法的滤波器优化

给出一种基于粒子群优化算法（PSO）的模拟滤波器优化设计方法。传统的模拟滤波器的精度与效率均较差,引入PSO算法可对滤波器参数进行寻优。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搜索以获得最优解;通过变异、重新随机化及采用自适应的惯性权重,提高了算法的搜索效率及收敛性。实例计算表明了算法在该类问题中的有效性和可行性。     

改进的粒子群优化算法设计FIR低通数字滤波器

粒子群优化算法(PSO)因具有参数少、易于实现等优点,在解决优化问题时表现出很好的性能。有限长单位脉冲响应(FIR)数字滤波器因具有稳定的结构、易于实现等优点,在实际中有着很广泛的应用。因此,将基于三角函数因子的改进PSO算法(TFPSO)用于对FIR低通数字滤波器性能的优化,并将其与基于折射原理反向学习(refrPSO)、基于反向学习(OPSO)的PSO算法所设计的FIR低通数字滤波器的性能进行比较。在实验中构造出一种性能较好的适应值函数,以验证这几种改进的PSO算法所设计的FIR低通数字滤波器的性能。实验结果表明,基于三角函数因子的PSO算法滤波性能较差,而基于折射原理反向学习的PSO算法性能最佳。     

基于非线性自适应IIR滤波器的混沌时间序列辨识方法

提出了一种混沌时间序列的非线性自适应IIR滤波辨识算法,该算法采用非线性IIR滤波器来自适应跟踪非线性混沌动力系统的动态特性进行辨识,实验结果表明,该算法具有较高的辨识能力和抗噪声性能。     

粒子群优化算法在FIR数字滤波器设计中的应用

介绍了基于粒子群优化算法的FIR数字滤波器的设计方法,并用该方法设计了一个高通滤波器。与用Parks-McClellan算法设计的高通滤波器进行了对比,发现基于粒子群优化算法的FIR滤波器的通带波动更小,阻带衰减更大。将用这两种算法设计的滤波器作用于混频信号,得出的结果也证明了基于粒子群优化算法的FIR滤波器的有效性。     

基于Sigmoid惯性权重自适应调整的粒子群优化算法*

提出了种群进化速度和种群聚合度两个概念,并讨论了在全局收敛过程中惯性权重与两者之间的关系;考虑Sigmoid函数在线性与非线性之间呈现的平滑过渡性,从种群进化速度和种群聚合度两方面出发,提出了基于Sigmoid函数的惯性权重自适应调整方法。通过三个典型的多峰函数,将提出的算法(AS-PSO)与标准粒子群优化算法(SPSO)和基于Sigmoid函数的粒子群优化算法(S-PSO)进行了仿真分析比较,结果表明,AS-PSO算法相比其他两种算法,全局寻优能力更强,在一定程度上解决了收敛性能与全局寻优能力之间的矛盾。     

基于杂交粒子群算法的FIR数字滤波器设计

介绍了杂交粒子群算法的原理,通过三个典型Benchmark函数对该算法的收敛精度进行了测试.将杂交粒子群算法应用到FIR数字滤波器的设计中,从而计算出FIR数字滤波器的系数.通过高通和带通两个实例进行仿真实验,并与Parks-McClellan算法设计的滤波器进行对比,结果表明,采用杂交粒子群算法设计FIR数字滤波器具有更好的通带和阻带特性,是一种有效的方法.     

A swarm intelligence approach to the synthesis of two-dimensional IIR filters

The concept of particle swarms, although initially introduced for simulating human social behaviors, has become very popular these days as an efficient means for intelligent search and optimization. The particle swarm optimization (PSO), as it is called now, does not require any gradient information of the function to be optimized, uses only primitive mathematical operators and is conceptually very simple. This paper investigates a novel approach to the designing of two-dimensional zero phase infinite impulse response (IIR) digital filters using the PSO algorithm. The design task is reformulated as a constrained minimization problem and is solved by a modified PSO algorithm. Numerical results are presented. The paper also demonstrates the superiority of the proposed design method by comparing it with two recently published filter design methods and two other state of the art optimization techniques.     

基于自适应变异的混沌粒子群优化算法

粒子群优化算法参数少,寻优速度快,但其寻优效率低且在寻优后期易早熟收敛。为改善其寻优性能,在标准粒子群优化算法中,通过引入混沌映射和自适应变异策略,提出具有自适应变异的混沌粒子群优化（ACPSO）算法,以增强种群的全局寻优性能和局部寻优效率。六个基准测试函数的仿真结果表明,ACPSO算法比已有的五个算法具有更好的寻优能力。     

自适应种群更新策略的多目标粒子群算法

针对粒子种群较差的局部搜索能力,提出了一种自适应种群更新策略的多目标粒子群算法。该算法在每次种群进行迭代时,根据种群的多样性测度以及每个粒子的适应度值,自适应地改变速度权重,以此来提高种群粒子在局部搜索时的活性,使算法具有较强的局部搜索能力同时又保留了足够的全局搜索能力。最后利用多组经典测试样例进行仿真,并与传统的粒子群算法以及速度线性衰减算法做比较,在单目标优化中,自适应粒子群算法能够更快地寻找最优位置;在多目标优化中,自适应粒子群算法能够更快速地收敛于帕累托最优边界。     

有等式约束优化问题的粒子群优化算法

目前大多数粒子群优化算法针对无约束优化问题或不等式约束优化问题,求解有等式约束优化问题的方法是把每个等式约束变成两个不等式约束,这种方法的缺点是在进化过程中粒子位置很难满足等式约束条件,影响了收敛速度和解的精度。提出了求解有等式约束优化问题的两种新粒子群优化算法,数值试验结果表明,算法是有效的。     

基于自适应多种群的粒子群优化算法

为了平衡算法的探测能力和开采能力,提高粒子群算法在不同类型问题上的综合性能,提出了一种基于自适应多种群的粒子群优化算法（PSO-SMS）。算法包含重组、子群规模调整和探测三个模块。在演化初始阶段,整个种群被划分成许多子种群。重组模块使不同子群间可以共享优势信息,有利于单峰和多峰函数的优化。当种群陷入潜在的局部最优时,探测模块可基于搜索过程的一些历史信息,帮助跳出当前的局部最优。通过子群规模调整,每个子种群的大小随着进化的过程而逐渐增加,有利于提高算法在初始阶段的探测能力和后期的开采能力。通过CEC2013的测试集与其他七种PSO算法的比较表明,PSO-SMS算法在解决不同类型的函数优化问题上有着突出的性能表现。