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.     

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。     

基于差分文化算法的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可看作是多参数优化问题。为高效实现FIR数字滤波器,将滤波器的设计转化为滤波器参数优化问题,然后提出差分文化粒子群（DC）算法在参数空间进行并行搜索以获得滤波器设计的最优参数值。提出的差分文化算法结合文化原理差分演进原理,是一种可用于实数优化的多维搜索算法。计算机仿真实验表明在设计FIR数字滤波器设计时,差分文化算法的收敛速度和性能都优于粒子群,量子粒子群以及自适应量子粒子群优化等算法,证明了该方法的有效性和优越性。     

数字滤波器设计的文化量子算法

有限脉冲响应(FIR)和无限脉冲响应(IIR)数字滤波器的设计实质可看作是多参数优化问题。为实现高效的数字滤波器,首先将滤波器的设计转化为滤波器参数的约束优化问题,然后提出文化量子(CQ)算法在参数空间进行并行搜索以获得滤波器设计的最优参数值。提出的文化量子算法结合文化原理,在量子种群空间更新中使用了量子旋转门的知识进化机制,是一种可用于实数解优化的快速多维搜索算法。计算机仿真实验表明在对FIR和IIR数字滤波器设计时,文化量子算法的收敛速度和性能都优于粒子群,量子粒子群以及自适应量子粒子群优化等算法,证明了该方法的有效性和优越性。     

基于粒子群算法的数字滤波器优化与仿真

研究数字滤波器优化问题,针对传统算法在数字滤波器优化过程中易出现“早熟”和后期收敛速度慢等等问题,提出了一种动量交叉粒子群算法的数字滤波器优化方法.首先把求解数字滤波器参数的问题数学化为性能指标优化模型,然后采用动量交叉粒子群算法找到符合特征要求的数字滤波器参数值,并通过仿真对性能进行测试.仿真结果表明,动量交叉粒子群算法较好地解决了传统算法的易出现“早熟”和后期收敛速度慢等等难题,设计数字滤波器的频域响应十分逼近理想频域响应,提高数字滤波器的设计效率.     

基于PSO-DE-CA的FIR滤波器设计

为优化有限脉冲响应(FIR)数字滤波器的设计,提出一种基于双种群的文化算法。种群空间分别按照粒子群优化和差分进化算法独立进化。信仰空间作为知识库,用于保存求解问题的群体经验。仿真实验结果表明,在设计FIR数字滤波器时,该算法具有较高的鲁棒性和较快的收敛速度,优化结果好于同类算法。     

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。     

基于粒子群优化算法的自适应IIR滤波器设计

针对自适应无限冲激响应(infinite impulse response,IIR)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(particle swarm optimization,PSO)设计IIR数字滤波器的方法.将滤波器的设计问题转化为滤波器参数的优化问题,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,基于多个典型系统的随机数值仿真以及与最小二乘方法的比较研究,验证了该方法的有效性、全局性和对初值的鲁棒性.     

基于DSP的FIR滤波器设计中新型快速算法

针对DSP领域中使用奇数个点的FIR冲击响应设计滤波器时,只能使用效率较低的MAC指令的问题,提出了一种新的快速算法.通过理论分析推导出奇数个点FIR滤波器冲击响应的一种新表达式,根据该表达式设计了基于高效的FIRS指令为中心的算法.仿真表明,新算法的计算时间和传统算法相比大幅减少,可灵活地应用于实时性要求较高的高阶DSP FIR各种类型滤波器的设计中.     

罗兰C前端数字带通滤波器设计与实现

分析了罗兰C信号的特征,并根据信号特征决定选用FIR滤波器,利用MATLAB工具设计了满足滤波要求的高阶数字带通滤波器。详细研究了分布式算法的原理和分布式算法在FPGA上实现FIR数字滤波器的方法。最终采用改进的分布式算法在FPGA上实现了127阶FIR数字带通滤波器。利用实际采集的信号进行仿真和现场测试,结果均显示由该方法设计的滤波器性能良好,方法简单易行,相对于传统的乘累加结构不仅能节省硬件资源,而且可以改善数据处理速度,具有一定的推广价值。     

一类离散时变系统的在线无限脉冲响应滤波逆控制

针对一类离散时变系统,提出了一种基于自适应惯性权重合作粒子群（AIW—CPSO）算法的在线尢限脉冲响应（IIR）滤波自适应系统辨识方法,实现零极点实时跟踪的全匹配控制．IIR滤波器可解决有限脉冲响应（FIR）滤波器在辨识时变系统时因其相关矩阵的特征值会无规律变大而被迫离线训练的问题．同时义降低了在线训练所需的权值向量长度,提升了优化与建模效率．本文设计的白适应惯性权重合作粒子群（AIW—CPSO）算法可在传统卡讧子群优化（PSO）算法的基础上更好地解决因选用IIR滤波器所带来的全局优化问题．通过仿真分析可以看出,对十此类离散时变系统,基于在线AIW—CPSO—IIR滤波器的自适应逆控制方法可以快速有效的实现未知对象的在线建模,同时实时跟踪时变系统的特征值变化．     

Image denoising using 2-D FIR filters designed with DEPSO

Digital images are often corrupted by additive noises during transmission. Thus, how to alleviate noise as much as possible has received concerns for decades. In this paper, we present a simple denoising method based on two dimensional (2-D) finite impulse response (FIR) filtering, where by differential evolution particle swarm optimization (DEPSO) algorithm, five two dimensional finite impulse response filters are designed to filter different kinds of pixels. Comprised by differential evolution algorithm and particle swarm optimization algorithm, differential evolution particle swarm optimization algorithm is effective and robust, which helps to yield better denoise performance. And computer simulation demonstrates that the proposed method is superior to the conventional lowpass filtering method, as well as the modern bilateral filtering and stochastic denoising method.     

Elimination of noise on transcranial Doppler signal using IIR filters designed with artificial bee colony – ABC-algorithm

Biomedical signals are usually contaminated by noise generated from sources such as power line interference and disturbances produced by the movement of the recording electrodes. Also the signal-to-noise ratio of biomedical signals is usually quite low. In addition, biomedical signals often interfere with each other. Therefore, the filters employed for eliminating noise and interference are significant in the medical practice. Digital infinite impulse response (IIR) filters have shorter filter length than the finite impulse response (FIR) filters with the same frequency characteristic. Therefore, in this work, an approach based on digital IIR filters are described for the elimination of noise on transcranial Doppler by using artificial bee colony (ABC) which is a popular swarm based optimization algorithm introduced recently. Moreover, the performance of the proposed approach is compared to particle swarm optimization algorithm.     

基于粒子群优化算法的聚类分析

基于求解实优化问题时粒子群算法优于遗传算法这一事实，在基于遗传算法的K-均值聚类算法的基础上，给出了一种摹于粒子群优化算法的聚类方法。实验结果显示，基于粒子群优化算法的聚类方法在收敛速度方面明显优于基于遗传算法的聚类方法。     

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。     

基于组合特征和PSO-BP算法的数字识别

提出了一种新的基于组合特征和PSO-BP(particle swarm optimization-backpropagation)算法的数字识别方法,将网格特征、投影特征和欧拉数表示的结构特征按照不同的特征权重系数构成数字图像的组合特征向量,利用PSO-BP神经网络进行识别,充分发挥了粒子群算法的全局寻优能力和BP算法的局部搜索优势.实验表明,该方法识别率高、网络收敛速度快、精度高.     

基于粒子群优化的粒子滤波定位方法

为了实现移动机器人精确高效的自定位,提出了基于粒子群优化的粒子滤波定位方法.文章分析了常规粒子滤波定位方法存在的不足之处.将最新观测值融合到采样过程中,并利用粒子群优化算法提高了常规粒子滤波器的预估性能.接下来,建立了系统的概率运动模型和感知模型,并利用粒子群优化粒子滤波方法解决了移动机器人的自定位问题.粒子群优化算法的优化结果使得采样集向后验概率密度分布取值较大的区域运动,从而克服了粒子贫乏问题并且显著地降低了精确定位所需的粒子数.仿真实验表明该算法的有效性.