排序方式: 共有4条查询结果,搜索用时 7 毫秒
1
1.
2.
协同演化是解决大尺度连续优化问题的一种有效策略.但是,对于决策变量重叠型(决策变量不可分且相互依赖)的高维问题,其分组方法可能会误导算法的搜索.针对这一情况,本文提出一种全新的协同演化策略(Differential Evolution Cooperative Coevolution with Correlation Learning Between Variables,DECC-CLV),其思想是首先计算演化种群分布所包含的主特征轴,然后计算各维决策变量在主轴上的投影值并利用它们之间的正负相关性进行分组.该算法在迭代过程中,利用期望最大化算法对种群进行概率主成分分析,并根据决策变量在当前种群主轴上的投影值大小关系对其进行动态分组.通过和目前主流的演化算法在CEC2013的第三类函数上的仿真试验和分析,验证了算法的有效性和适用性. 相似文献
3.
目前的基于小波阈值降噪方法往往假设信号的噪声分布在高频段,因此大部分方法只对高频段进行降噪,而忽略了低频段噪声对信号的影响.在现实的应用中,复杂的噪声并不满足该假设条件,也即复杂噪声不仅分布在信号的高频段,而且低频段的噪声同样不容忽视.针对上述问题,论文提出了一种全新的解决方案:小波自适应阈值全频降噪方法.在该方法中,根据不同类型的噪声随小波分解层数、噪声强度等因素变化规律,提出了一种新的自适应阈值确定方法;然后利用小波去相关性方法来检测信号受到的最主要的噪声干扰;最后结合噪声类型检测方法,检测信号中所隐含的最接近的噪声类型,选取合适的阈值确定方法,对信号的低频和高频同时进行降噪.论文的实验结果表明:(1)当信噪比较低时,采用全频降噪方法对大部分类型的噪声而言均优于传统方法,并且全频降噪方法仅需要信号分解到1~2层即可取得良好效果;(2)当信噪比较高时,全频阈值降噪技术的降噪效果和传统方法一致,但所需小波的分解层数少于传统方法. 相似文献
4.
1