采用综合学习粒子群算法的有限冲激响应数字滤波器设计

针对标准粒子群优化算法在求解复杂多模问题时容易陷入局部极值点和有限冲击响应数字滤波器(FIR DF)设计时减少误差的问题,将综合学习粒子群优化算法(CLPSO)应用于FIR DF设计中.CLPSO在每一代更新中采用所有粒子全局最优值代替粒子本身的个体历史最优值,当粒子停止更新时,重置粒子最优值,保证粒子学习最优和在错误方向上花费最少计算时间.数值结果显示,在满足算法复杂度、计算时间、逼近误差等设计指标的前提下,CLPSO在低通和高通频率采样法FIR DF设计中比传统查表法、遗传算法和标准粒子群优化算法具有一定的优势.

基于射频隐身的采样周期和辐射功率控制方法研究

为进一步提高雷达的射频隐身能力,合理分配相控阵雷达的工作参数,在目标跟踪时,对雷达的采样周期和辐射功率控制方法进行研究。首先,根据目标运动状态的不同,对雷达采样周期与辐射功率自适应设计方法进行分析,在满足系统跟踪性能要求的前提下,建立了控制参数的优化模型;然后,利用粒子群算法优化自适应采样周期和自适应辐射功率等参数,有效地降低了跟踪性能误差,提高了雷达系统的射频隐身性能。与传统的雷达采样周期和辐射功率算法进行了仿真比较,结果表明所提的算法取得了较好射频隐身效果。

基于频率采样技术的FIR数字滤波器的优化设计

提出了基于频率采样技术,以阻带衰减和通带波动的比值作为优化目标,通过对过滤带插值的优化处理,利用粒子群优化算法的全局寻优能力进行FIR滤波器的设计。实验结果说明,通过提出算法设计的FIR滤波器的性能较传统设计方法有较大的提高。

改进的QPSO算法在FIR滤波器设计中的应用

针对量子粒子群优化(QPSO)算法对越界粒子处理方式的不足,提出了一种基于边界控制的改进方法,并将其应用在有限长脉冲响应(FIR)滤波器的频率采样设计法中,给出了算法的具体实施步骤。对FIR低通和带通滤波器的仿真结果表明,相对于查表法及标准QPSO算法,改进后的QPSO算法能够快速、有效地求得频率过渡带样本值的最优解,同时通带波动变小,最小阻带衰减变大,从而对FIR滤波器的设计进行了进一步的优化,验证了改进算法的有效性。

基于粒子群算法的FIR滤波器的优化设计

基于粒子群优化算法原理,将粒子群算法应用于频率采样过渡点样本的优化设计,将过渡带样本值作为优化变量,最大阻带衰减作为优化目标,并适当给过渡带样本一个较好的约束条件.仿真结果表明:利用粒子群算法优化设计的FIR滤波器与未进行优化、用查表法优化及人工群鱼算法优化设计的滤波器相比,具有更大的阻带衰减和更小的通带波动.

粒子群优化算法参数对FIR数字滤波器影响的研究

基于粒子群优化算法原理,将粒子群算法应用于频率采样过渡点样本的优化设计,研究参数对滤波器性能的影响。仿真结果表明:惯性权重为自适应权重时,滤波器的最小阻带衰减更大,算法的收敛速度更快;粒子搜索范围变化对滤波器略有影响。

基于智能优化算法的FIR数字滤波器设计

使用频率采样法设计FIR数字滤波器时,在通带与阻带之间设置适当的非零过渡点可极大改善滤波器的幅度特性,但过渡点最佳采样值难以确定,可以使用智能优化算法解决上述问题。在设置一个,两个和三个过渡点时,使用遗传算法、粒子群算法和模拟退火算法,在最大误差最小,阻带最大误差最小,最小二乘以及阻带最小二乘准则下,分别求解过渡点最佳采样值,并使用五种评价指标对比不同算法在不同滤波器优化准则下的优化效果。实验结果表明,在设置不同数量过渡点的情况下,使用智能优化算法均可得到阻带幅度特性优于查找表数据的过渡点最佳采样值,三种算法中模拟退火算法优化效果最佳,四种滤波器优化准则中阻带最大误差最小准则下的优化效果最佳。