一种自适应粒子群算法

基于对不同粒子群算法(PSO)中惯性权重、全局收敛性、收敛精度和速度的分析,提出了一种新的全局最优值自适应变化的粒子群算法(LAPSO).并采用该方法对三种不同的基准函数进行了测试,将LAPSO测试结果与典型的收敛粒子群算法(LKPSO)和扩散粒子群算法(LWPSO)进行了比较.结果表明:自适应粒子群算法具有收敛速度快、进化精度高的特点,是一种新型全局收敛粒子群算法.     

一类不确定非线性系统的鲁棒自适应控制

针对一类具有未知控制方向、未知参数以及未建模动态的非线性系统,提出了一种带有死区修正的鲁棒自适应递推控制策略.该策略不需要控制方向符号的先验知识.根据参数的上下界先验信息,分别将光滑投影算法和非连续投影算法与参数自适应律结合起来,既抑制了参数的漂移,又使估计参数达到了最小.算法保证了闭环系统所有信号的有界性,同时使得跟踪误差收敛于零的任意小邻域内.     

神经网络在移动机器人路径规划中的应用

对于环境信息完全已知的移动机器人的全局路径规划问题,应用了一种并联的神经网络结构与模拟退火算法相结合的方法,并提出了一种局部路径修正算法,最终得到一条最优的平滑路径。计算机仿真研究表明,该算法计算简单,收敛速度快,规划的路径为一条最短无碰且安全的平滑路径。在计算机仿真验证的基础上,以P3-AT型轮式移动机器人为平台,通过机器人模拟实验验证了该算法的有效性。     

具有自适应非线性增益的开环PD型迭代学习控制

针对同时存在周期性干扰和随机测量噪声的一类非线性系统,提出一种基于误差幅值和误差变化率的开环PD型迭代学习非线性增益自适应算法,分别给出了比例和微分的增益调整规则,并对所提算法进行了严格的理论分析,同时推导出收敛条件。结果表明,与传统学习增益固定的开环PD型迭代学习律相比,当非线性系统同时存在周期性扰动和幅值较大测量噪声时,自适应非线性增益学习律能根据误差幅值和误差变化率在线调整比例和微分学习增益,抑制扰动和噪声,使得在学习收敛速度和收敛精度之间在某种程度上得以折中,在学习初始阶段高增益下保证了迭代学习的收敛速度,学习末了阶段小增益下具有较强的鲁棒性和收敛精度,得到的误差跟踪曲线更加平滑。     

二阶自适应IIR陷波器复数算法的收敛性分析

针对背景噪声中复正弦信号的检测和估计问题,分析了自适应格型IIR陷波器的两种复数算法即梯度算法和简化的梯度算法的收敛性能,证明了输入白噪声方差的大小不影响收敛速度。并分析了由一阶自回归模型产生的有色噪声对算法的收敛性能的影响,为有色噪声中复正弦信号检测的自适应过程的参数的选取提供了理论依据。     

模糊步长LMS算法及其性能分析

以均方误差、输出与误差信号的相关系数作为衡量LMS算法收敛程度的标准及模糊推理系统的输入,提出了一种用零阶Sugeno模糊推理系统自适应调整步长的模糊步长LMS(FSS-LMS)算法,并从理论上分析了FSS-LMS算法的计算复杂度及其收敛性能。分析结果指出FSS-LMS算法的计算复杂度与传统LMS算法基本相当,但它具有更大的灵活性。自适应系统辨识的仿真结果表明FSS-LMS比传统的LMS算法及其它一些变步长LMS算法具有更好的收敛性能。     

多星成像调度问题基于分解的优化算法

提出了一种求解多星成像调度问题的基于分解的优化算法,将问题分解为任务分配主问题与单星成像调度子问题.任务分配主问题生成不同卫星的任务分配方案,单星成像调度子问题则根据分配的任务进行优化,生成每颗卫星的成像调度方案.采用自适应的蚁群算法求解任务分配主问题,通过自适应参数调整策略及信息素平滑策略,实现全局搜索和快速收敛间的平衡.采用启发式算法及快速模拟退火算法求解单星成像调度子问题,通过综合多颗卫星的调度结果, 可以对任务分配方案进行评价,引导蚁群算法搜索优化的任务分配方案,最终得到多颗卫星的成像调度方案. 大规模测试算例验证了算法的效率.     

基于博弈论的自适应波束成形算法

针对自适应波束成形算法中用户之间的动态相互干扰,提出了一种基于博弈论的自适应波束成形算法,构建了波束成形博弈算法数学模型。该算法将不同用户的发射权值调整描述为一个多用户的博弈过程,通过数学推导论证了基于博弈论的自适应波束成形算法纳什平衡点的存在性和唯一性,设计了收敛的发射权值更新算法。通过仿真实验验证了算法的性能以及讨论了代价因子、可调参数和收敛精度等参数对算法的影响。     

一种自适应蚁群算法及其仿真研究

蚁群算法是一种新型的进化算法，蚁群算法与其它进化算法同样存在易于限于局部最小点等缺陷。本文提出一种自适应的蚁群算法以克服上述缺陷。通过自适应地改变算法的挥发度等系数，本文中的算法可以在保证收敛速度的条件下提高解的全局性，通过对TSP问题的仿真证明本文中的算法相对与原始的蚁群算法收敛速度和解的性能都有一定的提高。     

水声信道快速收敛自适应均衡算法

从提高自适应均衡算法水声信号收敛性能的角度出发,提出了一种新的快速收敛水声信道自适应均衡算法。该算法将改进的归一化均方误差算法和判决反馈均衡器结构有机结合,在不增加计算量的前提下,很好地实现了不同水声信道的自适应均衡,易于算法的硬件实现。仿真结果表明,该算法计算量同归一化最小均方(normalized least mean square, NLMS)误差算法的计算量相当,但在稳态误差和收敛速度上有很大优势;收敛性能与自适应调整最小二乘回归〖CD*2〗判决反馈均衡器(variable tap-length decision feed-back equalizer based on recursive least square, RLS-DFE)算法接近,却克服了RLS-DFE算法计算量大,不利于硬件实现的实际问题。提出的算法为水声通信提供了一种性能优良的可实现方法,具有较高的应用价值。     

基于模糊推理的自适应BP算法

ＢＰ网络是迄今为止应用最广泛的一种神经网络，但这种算法也存在着收敛速度慢、容易陷入局部极小点等问题．本文在标准ＢＰ算法的基础上提出一种改进ＢＰ算法，称之为自适应ＢＰ算法．这种自适应ＢＰ算法采用模糊规则动态调整学习参数，并且能在学习过程中和学习完成后通过隐节点调整算法优化网络结构，有比标准ＢＰ算法更好的收敛性和更好的泛化能力     

基于对角载入的鲁棒自适应波束形成算法

作为一种梯度自适应波束形成算法,LMS算法因简单有效而得到广泛的应用.但是在存在偏差的情况下,LMS算法的性能较差.针对上述问题,考虑信号方向向量的偏差对LMS算法性能的影响,提出了一种基于对角载入的鲁棒约束LMS算法,并对算法的对角载入因子和收敛性能进行了分析,给出了保证算法收敛的步长取值范围.该算法利用对角载入的特性,可有效的抑制各种偏差所带来的影响,收敛速度快,抗扰动性强,对信号方向向量的偏差具有较强的鲁棒性,从而可以保证阵列输出的信干噪比接近最优值.仿真实验表明,与传统约束LMS算法相比,基于对角载入的鲁棒自适应波束形成算法具有很好的性能.     

Ant colony optimization algorithm and its application to Neuro-Fuzzy controller design

An adaptive ant colony algorithm is proposed based on dynamically adjusting the strategy of updating trail information.The algorithm can keep good balance between accelerating convergence and averting precocity and stagnation.The results of function optimization show that the algorithm has good searching ability and high convergence speed.The algorithm is employed to design a neuro-fuzzy controller for real-time control of an inverted pendulum.In order to avoid the combinatorial explosion of fuzzy.rules due to multivariable inputs,a state variable synthesis scheme is emploved to reduce the number of fuzzy rules greatly.The simulation results show that the designed controller can control the inverted pendulum successfully.     

一种基于OBE的智能天线波束形成算法

根据OBE算法原理,提出一种智能天线自适应波束形成盲算法。首先建立自适应算法的信号模型,讨论了算法的结构,该算法是建立在解扩、重扩判决指导上,对均方误差准则下的最优权值进行迭代估计;然后分析了OBE算法的原理,在此基础上构建了自适应波束形成的迭代式。最后对算法的性能进行了仿真,仿真结果表明:该算法达到了自适应波束形成的要求,与LS-DRMTA算法相比具有更佳的收敛和输出性能。     

基于Volterra级数的全解耦RLS自适应辨识算法

针对非线性系统辨识问题,提出了一种基于Volterra级数模型的非线性系统的全解耦RLS自适应辨识算法。按照Volterra伪线性组合结构,采用RLS自适应辨识和约束优化理论,导出了具有分块对角形输入相关矩阵的全解耦Volterra标准方程,据此设计了一种基于Volterra级数模型的全解耦的RLS自适应辨识算法。该算法与部分解耦的RLS自适应算法相比,显著提高了辨识过程的收敛速度和精度。仿真结果验证了该方法的有效性。     

变遗忘因子相关函数自适应滤波算法

相关函数递推最小二乘(CRLS)算法在回波消除中双方对讲情况下是有效的,但其计算复杂度较高。把相关函数最小二乘准则中的遗忘因子视为时变的遗忘因子,应用最速下降法使当前时刻的方向矢量正交于前一时刻的方向矢量,从而获得时变的遗忘因子的表达式,得到一种新的相关函数自适应滤波算法。该算法的计算复杂度比相关函数递推最小二乘算法的要低。计算机数值仿真结果表明,新算法的收敛性能和相关函数递推最小二乘算法的收敛性能相当。     

基于相对误差互相关函数的变步长LMS算法

许多时变步长自适应滤波算法被用来解决标准LMS算法的固有矛盾,但实验表明这些算法易受独立噪声的干扰,或计算量大、耗时太长。针对上述问题,提出了一种新的变步长LMS自适应滤波算法,它采用相对的误差互相关函数来控制步长更新。该算法计算量小、易于控制,具有快速的收敛速度和较小的失调,不受已存在的非相关噪声的影响,可很好地应用于自适应对消系统中,且在低信噪比环境中仍能保持良好的性能。计算机仿真及实测数据的处理与理论分析结果一致。     

基于Delta算子的QR分解LMS算法

针对基于Delta算子的自适应滤波问题,提出了Delta算子描述的QR分解LMS(Delta-QR-LMS)算法。首先给出后向Delta算子模型的另一种表示形式,并利用该变换公式推导出Delta-QR-LMS算法的具体迭代步骤。通过仿真算例表明,Delta-QR-LMS算法比传统的LMS算法具有更好的滤波性能和更快的收敛速度。