改进的三次相位函数法LFM雷达信号参数估计

为了研究对线性调频(LFM)雷达信号的参数估计,提出了利用改进的三次相位函数法对LFM雷达信号进行参数估计.三次相位函数法可提取信号的相位函数的各项系数,并且只需通过二阶非线性变换在信号参数空间形成最大值来进行估计参数,具有较高的精度和良好的低信噪比能力,但是计算量较大.针对三次相位函数法计算量大的问题,提出调频斜率搜索范围设定准则及双尺度调频斜率搜索法,可减少大量计算量,同时保持了低信噪比下的算法精度.仿真测试结果表明,新算法有效地减小了计算量,并且保证了低信噪比下的算法精度,算法性能得到了提高.     

基于加权l1范数稀疏信号表示的DOA估计

为了在小样本、低信噪比以及高信源相关性的条件下都能对波达方向(direction of arrival,DOA)进行精确估计,基于压缩感知理论,利用目标信号空间分布的稀疏性,提出了基于加权l_1范数稀疏信号表示的DOA估计算法.该算法对l_1-奇异值分解(singular value decomposition,SVD)算法进行改进,对接收矩阵进行预处理,根据子空间的正交性确定加权矩阵,以加权l_1范数作为最小化的目标函数进行优化得到稀疏信号,进而得到信号的DOA.仿真结果表明,通过加权处理的l_1范数下稀疏信号重构方法能有效抑制偏差,在低信噪比下能够准确稳定地估计出DOA,并且能够提高估计精度.     

基于入侵性杂草优化算法的有噪独立分量分析方法

针对传统独立分量分析(ICA)算法在含噪情况下分离效果不好,容易陷入局部收敛的问题,提出基于入侵性杂草优化(IWO)算法的有噪独立分量分析方法.以分离信号负熵和为目标函数,选用高斯密度函数估计负熵,消除目标函数中的不稳定项,提高算法的稳定性和准确性;采用入侵性杂草优化算法估计混合矩阵,提高算法的全局寻优性能.仿真结果表明:与传统Fast ICA和Fast NoisyICA算法相比,文中算法的分离信号和源信号的相似因数更大,随着信噪比增加,相似因数趋向1,可以更好地估计源信号;PI指标明显小于其他两种算法的,可以更为精确地估计混合矩阵.研究结果对有噪ICA信号处理有一定参考意义.     

基于小波分析的测角系统误差补偿研究

应用二阶循环平稳理论对测角系统误差信号的相关函数和频谱特性的分析,证明了其为循环平稳信号,首次提出测角系统误差信号为非平稳信号的观点,为小波重构测角系统误差提供了理论依据,应用小波分析中的一维Mallat算法重构测角系统误差,以小波变换的重构信号作为误差信号进行计算机补偿,提高了测角系统的准确度。     

基于二次协作优化方法的配电网重构

针对现今配电网线损大的问题,构建以网损最优为目标函数的配电网重构数学模型,提出二次协作优化方法.该方法利用模拟渔夫捕鱼算法的局部寻优能力来寻找遗传算法的初始种群,再通过遗传算法的全局寻优能力寻找最优解,从而提高算法的搜索效率.对IEEE 69节点测试系统的算例仿真结果表明:所构建的配电网重构数学模型能有效地降低配电网中的网损;所提出的二次协作优化方法具有搜索效率高、性能好的特点.     

基于nested阵列的高分辨DOA估计

针对nested阵列对邻近信号的分辨力受信噪比和快拍数等因素限制的问题,提出了基于nested阵列的加权子空间平滑M USIC算法.该算法对协方差矩阵向量化以提高整个阵列的自由度,使用空间平滑恢复新接收数据矢量阵的秩,采用校正的噪声特征值对噪声子空间进行加权,并对信号子空间进行空间谱合成,得到新算法的空间谱函数.通过搜索空间谱函数极大值实现DOA估计.结果表明,该算法在低信噪比及小快拍数条件下,对间隔较近的信号具有高分辨力.     

计及静态负荷模型的配电网重构

传统的配电网络重构都是基于恒功率负荷来进行计算的,该方法对负荷电压特性的敏感程度较弱.针对上述缺点提出了一种基于负荷电压特性的配电网络重构方法,在每次的潮流计算迭代中对初始负荷进行一定程度的修正,从而反映负荷电压特性对配电网络重构的影响.设置配电网辐射状网络的生成判定原则,建立了以最小网损为目标函数的重构模型,并采用改进二进制粒子群算法进行寻优,得到重构结果.最后以IEEE 33节点配电系统为重构算例,验证了算法的有效性和正确性,并比较了负荷电压特性对重构结果的影响.     

面向压缩感知的基于相关性字典学习算法

压缩感知理论作为一种新兴技术,能够降低传感节点的能量消耗,推动基于可穿戴设备的远程健康监护系统的发展。其中,字典学习算法获得的过完备字典应用于压缩感知重构时能获得较高的重构精度,因此备受关注。传统字典学习算法通常未考虑到信号内部隐含的相关,不能充分地捕捉到信号特征,当应用到压缩感知重构时不能精确地重构信号。该文充分利用生理信号隐含的相关性的结构特征,提出一种基于相关性的加权最小二乘字典学习算法,克服了传统字典学习算法应用到压缩感知重构信号时精度差的缺陷。实验结果表明,该算法能够充分地捕捉信号特征,提高应用于压缩感知重构恢复领域的信噪比,使得压缩后的信号能被精确地重构恢复出来。     

基于移动最小二乘法和粒子群算法的优化算法

针对复杂电磁装置优化问题中目标函数计算次数过多的问题，提出了一种基于移动最小二乘法（MLS）和粒子群优化算法（PSO）的快速全局优化方法.该方法利用基于MLS的表面响应模型，重构原始的优化问题，采用加权PSO算法对重构后的目标函数进行寻优，再使用拟牛顿法，对原优化问题直接寻优，从而得到优化问题最终的最优解，并对基准测试函数和实际电磁装置问题进行优化计算.结果表明，与加权PSO相比，该算法能找到优化问题的全局最优解，并能有效的减少目标函数的计算次数，节省了计算时间，提高了计算效率.     

可重构智能表面辅助的非正交多址接入系统的安全通信研究

可重构智能表面是一种可以通过控制反射元件改变反射信号来改善无线信号传播环境和提高通信安全的有效技术。从物理层安全的角度研究了可重构智能表面辅助的非正交多址接入系统的安全通信,其中多个用户在单天线窃听者存在的情况下,以非正交多址接入的方式同时向单天线基站发送机密信息。研究的目的是通过优化用户的发射功率和可重构智能表面反射元素的相移使系统的总保密率最大化,同时满足发射功率约束、用户服务质量约束和可重构智能表面的每个反射元素的模一约束。虽然涉及的优化问题是非凸的,难以求解,但是本文提出一种基于交替优化和半定松弛的算法求得次优解。仿真结果表明,与2种基准方案对比,所提出的算法一定程度上提高了系统的总保密率,为可重构智能表面辅助的非正交多址接入系统的安全通信研究提供参考。     

可重构线天线的快速优化设计

将遗传算法与矩量法相结合,对可重构线天线的开关状态进行优化设计．将可重构天线的开关作为加载来处理,并利用Sherman-Morrison-Woodbury公式加速矩量法中阻抗矩阵方程的求解．优化结果表明遗传算法与快速矩量法结合对可重构线天线的优化设计非常有效,优化设计的速度提高了3~4个数量级．     

矩形环可重构天线的建模和仿真研究

可重构天线采用同一个天线或天线阵,通过引入开关器件控制天线的辐射结构来实现工作模式的转换,使其具有多个天线的功能.文中阐述了矩形环可重构天线工作的基本机理,为实现满足不同环境对天线性能的要求,利用Matlab对矩形环可重构天线进行建模,将遗传算法与矩量法相结合,对天线的性能进行搜索寻优.为进一步提高天线分析速度,从广义角度把天线的开关当作加载元件处理,利用Sherman-Morrison-Woodbury公式减少阻抗矩阵的计算量,提高天线特性参数的计算速度,改善了现有商业软件对天线仿真分析耗时大的问题,显著提高了效率.     

应用混合遗传算法的建筑结构优化设计

提出一种离散变量结构优化设计的单向搜索算法并与标准遗传算法结合成混合遗传算法,即发挥了单向搜索算法省时、高效、局部搜索能力强的特点,又发挥了遗传算法全局性好的特点。算例结果表明,该方法能直接计算具有应力约束和截面尺寸约束的离散变量结构优化设计问题,也能处理同时具有稳定约束和位移约束的多工况、多约束、多变量的离散变量结构优化设计问题。这种混合遗传算法优于标准遗传算法和单向搜索算法,是兼二者之长,弃二者之短的高效的理想优化设计方法。     

免疫算法在火电机组优化组合中的应用

为克服传统优化算法和遗传算法无法快速有效得到全局最优解的问题,提出了应用免疫算法进行机组组合优化.目标函数对应于免疫算法的抗原,优化解对应于免疫算法中的抗体,通过适应度来评价抗体与抗原的结合程度,与抗原结合最好的抗体就是问题的最优解.对机组运行状态的持续时间进行抗体编码,改善了算法的收敛性.经实例验证表明,优化免疫算法具有良好的搜索性能,是解决机组优化组合问题的有效方法.     

A hybrid genetic algorithm based on mutative scale chaos optimization strategy

In order to avoid such problems as low convergent speed and local optimal solution in simple genetic algorithms,a new hybrid gentic algorithm is proposed.In this algorithm,a mutative scale chaos optimization strategy is operated on the population after a genetic operation.And according to the searching process.The searching space of the optimal variables is gradually diminished and the regulating coefficient of the secondary searching process is gradually changed which will lead to the quick evolution of the population.The algorithm has such advantages as fast search,precise results and convenient using etc.The simulation results show that the performance of the method is better than that of simple genetic algorithms.     

一种结合混沌搜索的自适应遗传算法

在系统分析和研究自适应遗传算法特点的基础上,提出了一种新颖的混合软计算:结合混沌搜索的自适应遗传算法.一方面,算法将具有对初值敏感、易跳出局部极小、搜索速度快和计算精度高的混沌优化算法引入到自适应遗传算法中,以平衡其"开发"和"探测"之间的性能;另一方面,算法设定群体早熟收敛的量化计算公式和判定阈值,并引入了一组新的自适应交叉率和变异率的计算函数,从而有效防止了算法陷入局部最优的缺点.通过对4个基准测试函数的仿真计算,证明该算法能有效提高全局寻优的性能,且鲁棒性好.     

Hardware/software partitioning based on dynamic combination of maximum entropy and chaos optimization algorithm

This paper presents an algorithm that combines the chaos optimization algorithm with the maximum entropy ( COA-ME) by using entropy model based on chaos algorithm,in which the maximum entropy is used as the second method of searching the excellent solution. The search direction is improved by chaos optimization algorithm and realizes the selective acceptance of wrong solution. The experimental result shows that the presented algorithm can be used in the partitioning of hardware/software of reconfigurable system. It effectively reduces the local extremum problem,and search speed as well as performance of partitioning is improved.     

Generalized Self-Adaptive Genetic Algorithms

In order to solve the problem between searching performance and convergence of genetic algorithms, a fast genetic algorithm generalized self-adaptive genetic algorithm (GSAGA) is presented. (1) Evenly distributed initial population is generated. (2) Superior individuals are not broken because of crossover and mutation operation for they are sent to subgeneration directly. (3) High quality im- migrants are introduced according to the condition of the population schema. (4) Crossover and mutation are operated on self-adaptation. Therefore, GSAGA solves the coordination problem between convergence and searching performance. In GSAGA, the searching per- formance and global convergence are greatly improved compared with many existing genetic algorithms. Through simulation, the val- idity of this modified genetic algorithm is proved.     

深空组阵算法合成性能对比分析研究

特征值（Eigen）算法和Sumple算法是2种可应用于深空天线组阵的信号合成算法。首先讨论了深空组阵合成的原理和算法评价准则;然后分析了基于Eigen的快速迭代算法PMFM（proposed matrix free method）,并基于PMFM提出一种快速迭代方法——C-PMFM算法,利用C-PMFM单次迭代原理,探讨了Sumple算法与Eigen算法的关系;最后详细仿真并比较了2种算法的合成性能。仿真结果表明：Sumple算法具有极快的收敛速度,适用于长积分时间条件下的组阵合成;C-PMFM 5次迭代算法虽所需的计算量更大,但具有比Sumple算法更优越的低信噪比合成性能。     

BP神经网络的遗传优化及其应用研究

针对BP神经网络具有训练速度慢、容易陷入局部极小值的特点,在分析其训练算法本质的基础上,提出将遗传算法（GA）引入神经网络训练,优化神经网络的权值和闽值,充分发挥遗传算法的全局寻优能力和BP算法的局部搜索优势,形成了一种新的GA—BP神经网络．应用实例仿真结果表明,GA—BP神经网络具有全局搜索、快速收敛的特点,建立的模型具有较高的预测精度和良好的泛化能力．