基于非线性自适应比例因子的雪豹优化算法

针对雪豹优化算法在求解复杂优化问题时,存在全局勘探能力不足、寻优精度低等问题,提出一种改进的雪豹优化算法。首先,基于分段Logistic混沌映射初始化从而提高初始种群多样性;其次,引入非线性比例因子用于平衡算法的全局勘探能力和局部开发能力;然后,提出了一种差分变异策略,在第一次种群更新位置后,使用5个随机个体提高全局搜索能力和算法收敛能力,在第二次种群更新位置后,使用3个随机个体保证在求解过程的中后期也具有一定的全局勘探能力,尽可能避免陷入局部最优。通过在IEEE CEC2022基准函数测试集上测试,并与其他算法进行比较,结果表明所提出的算法在种群质量、求解精度以及算法稳定性上均有较大提升。最后将所提出的算法应用于工程优化,计算结果进一步证实了算法的强优化能力。

一种非线性权重的自适应粒子群优化算法

针对粒子群优化算法中出现早熟和不收敛问题,分析了基本PSO算法参数对其优化性能的影响,提出了基于非线性权重的自适应粒子群优化算法(NWAPSO)。在优化过程中,惯性权重随迭代次数非线性变化,改进的算法能使粒子自适应地改变搜索速度进行搜索,并与基本粒子群算法以及其他改进的粒子群算法进行了比较。实验结果表明,该算法在搜索精度和收敛速度等方面有明显优势。特别对于高维、多峰等复杂非线性优化问题,算法的优越性更明显。

变步长NLMS自适应滤波算法研究

将步长因子μ与误差信号e(n)之间的一种非线性函数关系引入归一化最小均方(NLMS)自适应滤波器,提出了一种变步长NLMS算法。与一些已有算法相比,算法的步长因子易于设计和控制,对于有色输入信号,能够得到较快的收敛速度和较低的稳态失调。仿真结果和理论分析相一致,证实了算法的有效性。

非线性输出频域响应函数的自适应辨识算法及应用

为解决非线性输出频域响应函数(NOFRF)模型用于模拟电路系统故障诊断时,传统辨识算法需多次激励计算过程耗时长的问题,提出了NOFRF的频域自适应辨识算法(NOFRF-BLMS),该算法构造了NOFRF的输入观测向量与核向量,从而可将NOFRF表示成一个伪线性结构.根据块最小均方(BLMS)原理及约束优化理论,推导出满足最小均方误差指标的NOFRF自适应辨识迭代计算公式,采用输入功率普迭代估算学习因子,由输出误差构造残差向量.NOFRF-BLMS通过在线学习方式,只需一次激励即可辨识出NOFRF,使辨识过程大幅度简化,缩短了辨识时间,具有更强的噪声抑制能力.实验结果表明,NOFRF-BLMS在相同的辨识精度下,耗时仅为传统算法的3%,且故障判断准确.

基于补偿因子自适应的NLMS多媒体播放算法

基于线性预测的媒体播放算法由于其复杂度低、易实现,在网络多媒体应用中大量使用,其中采用最小均方差估计的NLMS算法精确度较高.首先对NLMS算法和改进的NLMS算法进行了分析,针对算法中补偿因子因网络抖动剧烈而导致补偿过大的问题,提出了β因子自适应的NLMS算法,采用补偿因子系数β随网络变化以及预测误差情况自适应调整的方法,对NLMS算法作了进一步改进,明显地减小了端到端延迟均值和丢包率.试验结果验证了算法改进的有效性.

一种彩色图象的非线性自适应滤波算法

本文提出了一种应用于彩色图象去噪和平滑的非线性自适应滤波算法。该算法应用微分算子确定被处理象素及其邻域内的象素点是否为噪声点 ,在具有视觉统一性的色度空间中对图象进行高斯加权时 ,不仅去除噪声点的影响 ,而且应用分类准则 ,对象素及其邻域内的点进行分类 ,选取同类点参加滤波。该方法有效抑制了噪声点的影响 ,提高了滤波的视觉效果。

一种非线性动态自适应的Agent联盟生产算法

代理(Agent)联盟是对无线传感器网络WSN(Wireless Sensor Network)进行管理的重要手段.引入粒子群算法PSO(Particle Swarm Optimization)并对其进行改进,使PSO的参数具有非线性动态自适应性.将改进的PSO用于求解Agent联盟生成问题,并针对WSN的特性设计了一种效益函数用于评价联盟的效益.采用基于非线性动态自适应PSO的Agent联盟生成算法,在联盟生成初期搜索范围较广,搜索后期在局部挖掘上表现出良好的性能.实验证明在解决Agent联盟生成问题中,基于PSO的算法在稳定性上优于其他算法,基于改进PSO的联盟生成算法可以加大搜索空间,更快的收敛到最优解,且该算法可以同时生成多个Agent联盟,支持并行多任务环境下的Agent联盟求解.

基于DWT/LMS直交自适应算法的非线性系统辨识

针对传统的最小均方(LMS)算法在信号处理中的不足,提出了在变换域LMS算法中实现离散小波变换(DWT)的算法,并给出了基于直交DWT/LMS自适应算法的非线性滤波器的结构.该方法实现简单,可减少自适应滤波器输入相量自相关矩阵的谱动态范围,比传统的LMS算法的收敛速度快,增加了系统的稳定性;将其用于非线性系统辨识,能够改善辨识模型的自适应能力.数值仿真结果表明了本文方法的可行性和有效性.

基于感知模糊自适应蚁群算法的非线性PID控制设计

随着系统复杂度的提高和对象不确定性因素的增加,为克服线性PID动态性能和稳态性能差的缺陷,分析了非线性PID控制器各控制参数对误差的理想变化过程,构造非线性PID控制器;由于增益参数大量增加,传统参数优化方法不再适用,在分析蚁群算法的基础上,提出了基于感知自适应蚁群算法结合模糊自适应信息素更新机制用于优化非线性PID控制器的设计方法;通过仿真实验将该控制器与基于蚁群算法的非线性PID控制器和基于蚁群算法、Z-N法的PID控制器进行对比,并对控制性能和收敛性能进行了分析,结果表明该算法有效克服了传统蚁群算法收敛速度较慢、容易陷入局部最优而停滞的缺陷,该控制器具有更好的动态性能和稳态性能。

基于自适应遗传算法的非线性PID控制器

生物发酵利用夹套进行加热和冷却,其温度控制精度非常重要.但这种以温度为被控对象往往存在严重的积分纯滞后现象,采用常规的控制算法难以达到所要求的控制品质.基于PID控制器各增益参数与偏差信号之间的非线性关系,采用出一种非线性PID控制器.同时,针对经典遗传算法收敛速度慢,易陷入早熟,局部最优等缺点,提出一种自适应遗传算法,自适应遗传算法通过建立适应值差值函数来适时调整交叉、变异概率.这使算法具有自适应性,将其应用于非线性PID控制器参数寻优.仿真结果表明,基于此遗传算法寻优的非线性PID控制器可以有效的抑制大滞后系统的超调缺陷,具有较好的控制精度.

噪声环境下基于最大后验非线性变换的隐马尔可夫模型自适应算法

由于训练环境和识别环境的失配,识别系统的性能会严重下降。为此,提出了基于最大后验概率非线性变换的环境自适应算法,可以减小由于环境的失配所引起的系统性能的下降。在本算法中,利用分段线性回归近似非线性变换将训练环境下隐马尔可夫模型(HMM)的均值向量变换到识别环境,减小环境的失配,变换参数的估计采用了最大后验概率估计(MAP)。数字语音识别实验证明:该环境自适应算法的识别性能优于MLST,MAPLR和MLLR等算法。

Bouc-Wen模型参数识别的非线性自适应遗传算法和试验验证

Bouc-Wen模型是一种可表征结构及构件在往复荷载作用下的刚度退化、强度退化等的一种多功能非线性光滑滞回模型,可广泛应用于各类结构滞回行为的描述。Bouc-Wen模型参数是决定结构构件滞回模型力学特征的关键,由于该模型参数众多且物理意义不明确,往往只能从滞回数据得到近似解。为适应该类模型参数高效识别的需求,该研究提出了一种非线性自适应遗传算法,并通过4片不同配筋和加载条件的RC剪力墙的低周反复加载试验对Bouc-Wen模型参数识别的效果进行了验证。模型参数识别得到的滞回曲线和算法效率与标准遗传算法识别的结果以及实验数据进行了对比,结果表明:所提出的方法显著提升了Bouc-Wen模型的识别精度与效率。该文所提出的方法可用来进行结构滞回模型的识别并用所识别的模型进行结构的非线性行为模拟。

基于最小二乘算法及神经网络的非线性离散系统的自适应控制

针对有关文献所设计的控制律 ,在一较弱的条件下 ,去掉了符号运算部分 ,证明该控制律可避免“零除”问题 ,提高了运算速度。对于这种基于神经网络和 L S算法的自适应控制问题 ,证明了系统状态落入一紧集中 ,闭环系统的所有信号都是有界的 ,且系统输出和参考输出之间的跟踪误差收敛于以零为原点的某一有界球中。

自适应主从式并行遗传算法在区间非线性规划问题求解中的应用

讨论了区间参数非线性规划问题.通过引入决策风险因子的概念,提出了一种不确定性非线性规划的一般命题形式.为求解该命题形式,提出一种自适应主从式并行遗传算法,该算法可以满足大规模优化问题的求解实时性要求,具有全局收敛性能.相对于常规主从式并行遗传算法,该算法通过动态调整从机的计算负荷,有效地解决了从机间计算负荷不均衡分布的问题.仿真结果表明了该自适应主从式并行遗传算法的可行性.*

可补的非时变非线性系统的自适应控制算法

本文对确定的非线性提出了非时变非线性可补性的概念，并应用于自适应控制器算法中，以实现补偿非线性的目的。系统性能逼近于线性系统，并且保证在确定和随机的情况下，控制算法均具有大范围渐近稳定性。

带一类自适应非线性特性的变步长BP学习算法

针对前馈神经网络的反向传播(BP)学习算法收敛速度慢、易陷入局部最小等缺点,本文提出了在BP搜索进入误差代价函数曲率较小、收敛速度较慢处时,在变步长BP学习算法的基础上,引入一个非线性特性项,并将该特性项的强度系数构造为具有升温、降温策略控制的自适应非线性函数。仿真结果表明,该算法的收敛稳定、快速,具有较好的效果。

自适应CRBF非线性滤波器及其改进学习算法

传统的随机梯度算法由于采用基于二阶统计量的平方误差代价函数,因此含有的信息量较少,难以实现更高的精度。针对此问题,以基于高阶统计量的指数平方误差作为代价函数,结合基于两层RBF网络凸组合的非线性自适应滤波器,提出了最小指数平方误差自适应学习算法。非线性系统辨识和非线性信道均衡的实验仿真结果表明,该改进算法的收敛性能明显优于传统的随机梯度算法。

基于即时学习算法非线性系统多模型自适应控制

针对可获得大量输入输出数据的非线性系统 ,提出一种改进的即时模型辨识方法 ,并与自校正的极点配置控制算法相结合 ,设计多模型自适应控制器 .所提出的建模方法和相应的多模型自适应控制器能较好地逼近非线性系统的动态特性 。

基于非线性自适应度函数的遗传算法求取自由曲面最大主曲率研究

针对自由曲面最大主曲率求取问题及其主曲率的特点,设计了一种改进的遗传算法非线性自适应度函数,并给出了种群个体的选择及复制新规则.通过Schaffer函数进行测试,并用于自由曲面最大主曲率求取,实例验证表明算法可以稳定、准确地求取到自由曲面上的全局最大主曲率,比较曲面离散法的计算量不足1/3,极大地提高了计算效率.

结构非线性动力学方程的自适应精细积分算法

将定常结构动力方程的精细时程积分算法推广应用于非线性动力学问题时,对非线性项的线性化处理使该方法的计算精度对时间步长非常敏感。为此本研究中将龙贝格积分法引入该方法,提出了由此而产生的指数矩阵的快速精细算法,从而使时间步长的选择具有了自适应性,且计算精度和效率均得到提高。文中的数值算例给出了该方法的计算精度和效率。