用于跳频分量搜索的环形拓扑粒子群算法

在分析粒子群局域最优模型和拓扑结构影响的基础上,提出采用环形拓扑的粒子群算法对跳频信号分量进行搜索.通过粒子之间的信息交互程度控制,实现了粒子在分量时频中心的自动聚集,克服了应用匹配追踪和传统多峰粒子群优化算法对跳频信号自适应分解时存在终止条件难以确定和需要先验知识的问题.     

采用群智能算法的多约束问题优化

为了解决约束优化问题,采用一种基于群智能算法优化的多约束问题优化方法.首先构造同时计及约束条件和优化适应度的目标函数,然后分别利用粒子群算法和人工蜂群算法优化其函数,从而获得约束条件下的优化解.仿真结果表明,该多约束问题优化方法是可行性的,人工蜂群算法比粒子群算法具有更好的搜索和收敛能力.     

一种基于粒子群优化算法对基于点表示的模型进行特征检测的新方法

基于粒子群算法, 提出一种针对基于点表示模型的新特征检测方法, 解决了大规模数据模型特征的快速显示问题. 该方法对粒子群优化算法进行优化, 将其应用于物体空间的特征检测上, 实现了多目标搜索. 通过对粒子群算法中的粒子、适应度函数、 初始结束条件、 局部最优解、 全局最优解和迭代公式的重新定义, 将局部搜索与全局搜索相结合, 可快速搜索到多个目标. 该算法通过构造可估计局部曲面变化的适 应度函数检测特征点, 并对特征点做标记, 以快速显示出模型的特征. 实验结果表明, 所提出的特征检测算法适用于对基于点表示的模型的快速特征检测, 尤其适用于大规模数据模型     

基于匹配信号变换的非线性调频干扰抑制方法

根据匹配信号变换特性,提出了一个基于匹配信号变换(MST)的特定时频结构(双曲线型、指数型)非线性调频干扰的抑制方法.推导和分析了基于匹配信号变换的参数估计均方误差,该误差与相位函数有关.仿真结果验证了该干扰抑制方法不仅能有效抑制单分量、多分量的特定时频结构非线性调频干扰,而且容易实现,提高了干扰抑制算法的时效性.     

一种改进的粒子群优化算法

在粒子群优化算法的基础上,将粒子群优化算法的速度更新公式中种群最优位置用所有个体的平均值与最优粒子有限邻居个体的平均值加权求和代替;通过将种群平均适应度和整体最优位置适应度的比值作为适应度函数,并引入了加速系数;得到改进的粒子群优化聚类算法既能够充分参考当前粒子的最优信息,也参考了所有个体的最优信息和当前最优粒子有限邻居的最优信息,在进化过程中可以通过新的适应度函数自适应地调整全局搜索和局部搜索的比重对粒子的影响,对算法收敛速度影响较小的前提下较好地提高了收敛精度。最后,选取了4组具有不同分布特征的Benchmark函数作为验证函数,试验结果表明,新算法具有较好的收敛特性。     

基于粒子群优化的文本图像倾斜检测

提出一种基于粒子群优化算法和小波变换的无限制文本倾斜检查方法.首先对扫描的文本图像进行小波变换,然后利用小波变换的水平细节子带提取反映图像倾斜的特征,作为粒子群优化算法的适应度函数.最后利用粒子群优化算法在-90°到90°区间进行搜索,得到准确的倾斜角度.由于采用了小波变换,一方面降低了PSO搜索的计算量,又能更好地反映倾斜特征.实验结果表明,该方法能快速准确地检测出各类文本图像的倾斜角度,并具有很好的适应性,不受语言、字体、字号和非文本图形等因素的影响.最后还讨论了粒子数目、迭代次数和适应度函数对算法性能的影响.     

基于VMD和HSA的水声跳频信号时频分析方法

针对水声通信中低信噪比条件下的水声跳频信号检测和参数估计问题,提出了一种新的基于变分模态分解(VMD)和希尔伯特谱分析(HSA)相结合的水声跳频信号时频分析方法。VMD是一种新开发的自适应信号分解技术,可以完全不递归地将多分量的信号分解成许多准正交的固有模式函数。首先重点分析了VMD算法,然后简单介绍了HSA方法,最后将VMD和HSA相结合的方法应用于水声跳频信号分析。利用数值模拟的水声跳频信号进行实验仿真,结果表明本文的方法可以获得高清晰度、高聚集性的时频图。     

基于S方法熵测度优化的跳频信号参数估计

提出一种S方法结合熵测度优化进行跳频信号参数估计的新方法.该方法在获取信号优化时频分布的基础上,基于时频平面设计参数估计算法,可以在不需要任何先验知识的情况下,估计出跳频周期、跳变时刻和跳频频率等参数.另外,在高斯噪声环境下对分析结果进行了仿真.结果表明,该方法对跳频信号的参数估计优于其他时频分析方法,减小了参数估计的偏差和估计方差,而且优化过程的复杂性也有所降低.     

基于熵测度优化的跳频信号参数估计

详细讨论了采用三阶Flandrin体积归一化熵测度随时频分布核参数的变化规律,给出了典型时频表示进行参数优化的方法,提出了一种基于熵测度的信号相关平滑伪魏格纳分布,对其在跳频信号参数估计中的应用进行了比较和性能分析.仿真结果表明了该量化测度在时频核函数性能评价时的可行性和有效性,基于熵测度优化的跳频信号参数估计有较好的抗噪声能力,可以取得比其他方法更精确的效果.     

基于熵测度和SQP方法的跳频信号时频表示

提出了一种基于三阶Renyi熵测度的双向高斯核函数,分析了核参数与熵测度的变化规律,并利用逐步二次规划法对其进行优化.与信号相关径向高斯核函数时频分布相比,该方法不需要任何先验假定,能够有效反映交叉项在时频分布中的大小,获取优化的时频表示,从而提高了跳频信号的参数估计精度,同时可以适应低信噪比环境.仿真结果验证了基于熵测度优化时频表示法分析跳频信号的有效性和实用性.     

基于Powell搜索法的混合微粒群算法

利用Powell搜索法求解精度高、收敛速度快和局部搜索能力强等优点,本文提出了一种与Powell搜索法相结合的改进微粒群算法实践.改进算法将微粒的搜索过程分为两阶段,第一阶段,将PSO算法的速度公式改进后进行搜索;第二阶段,将第一阶段的最后一代微粒作为Powell搜索法的初始点,让Powell搜索法与PSO算法交替进行.这样既克服了PSO算法易陷入局部最优的缺点,也大大提高了算法的求解精度和收敛速度,同时保持了微粒的多样性.仿真结果表明:同PSO算法相比,Powell-PSO算法具有较高的求解精度和较强的寻优能力,并且不论是对单峰函数还是多峰函数都能取得很好的优化效果.     

耦合共振无线电能传输系统最大效率跟踪控制

耦合共振无线电能传输系统发射端与接收端距离小于某一特定值时,共振频率将发生变化,传输效率将大大降低.为了保持接收端实时以最大效率运行,本文提出一种耦合共振无线电能传输最大效率跟踪控制方法.该方法根据耦合共振无线电能传输效率特点引入粒子群优化策略(PSO),通过迭代求解粒子适应度函数,获得全局最优解,实现系统最大效率跟踪控制.研究表明,所提方法能够找到不同距离下最大传输效率对应的系统谐振频率,使无线电能传输系统电能接收端以最大效率运行.     

改进的PSO算法在重油热解模型参数估计中的应用

针对传统的粒子群算法(PSO)在解决复杂的优化问题时易陷入局部最优这一情况,提出了一种改进的粒子群算法(EPSO),该算法在传统的粒子群算法陷入局部最优的情况下引入了单个粒子的"Hooke-Jeeves模式搜索"操作和粒子之间的"启发式交叉"操作。仿真结果表明:EPSO算法的全局搜索性能和收敛速度比传统的PSO算法有明显的提高。采用EPSO算法进行非线性参数估计所得到的重油热解模型,其预报的平均相对误差比传统的PSO算法得到的模型提高了11.98%,比遗传算法(GA)得到的模型提高了38.76%。     

基于粒子群优化的结构系统识别

研究了使用粒子群优化(PSO)算法进行结构系统识别的方法,该方法的基本思想是将结构系统识别问题描述成一个多峰值非线性非凸的优化问题,通过PSO算法发现系统参数的最优估计.利用该方法在输入输出数据不完备且噪声污染条件下,同时在没有系统质量、刚度等先验信息的情况下对结构系统进行了识别,并与基于遗传算法(GA)的结构系统识别方法进行了比较.数值算例及比较结果表明:PSO方法易于实现且计算时占用资源低,并可以成功地对结构系统进行识别,识别效能十分优越.     

基于高斯学习多峰延迟粒子群优化算法

为克服粒子群在解决多峰函数复杂问题时存在收敛速度慢和极易陷入局部最优值的缺点,提出了一种基于高斯学习多峰延迟粒子群混合算法。首先引入改进的高斯学习提高算法的收敛速度,然后在此基础上,针对4 种进化状态在算法中引入延迟因子避免局部最优问题。通过对6 个单峰多峰测试函数进行仿真实验,验证了GLPSO( Gaussian Learning PSO) 算法具有更好的收敛速度,同时验证了GLMDPSO( Gaussian Learning Multimodal Delayed PSO) 算法在处理多峰函数复杂问题时具备更好的全局搜寻能力。因此,改进算法在解决多峰函数寻优问题时可有效跳出停滞状态,提高收敛速度并具有较好的寻优能力。     

Multi-state Information Dimension Reduction Based on Particle Swarm Optimization-Kernel Independent Component Analysis

The precision of the kernel independent component analysis( KICA) algorithm depends on the type and parameter values of kernel function. Therefore,it's of great significance to study the choice method of KICA's kernel parameters for improving its feature dimension reduction result. In this paper, a fitness function was established by use of the ideal of Fisher discrimination function firstly. Then the global optimal solution of fitness function was searched by particle swarm optimization( PSO) algorithm and a multi-state information dimension reduction algorithm based on PSO-KICA was established. Finally,the validity of this algorithm to enhance the precision of feature dimension reduction has been proven.     

基于物种的自适应多模态粒子群优化算法

通过对粒子群优化问题、小生境技术和多模态粒子群优化算法的深入研究,提出了一种自适应的多模态粒子群优化算法——ASPSO(adaptively species-based particle swarm optimization)。对ASPSO算法进行了综合测试,并与经典的多模态粒子群优化算法ANPSO和SPSO进行了比较。实验表明,ASPSO在处理低维测试函数与ANPSO和SPSO具有同样高的成功率和峰值覆盖率,并且ASPSO在处理高维复杂测试函数时,表现出的性能比其他已经存在的多模态粒子群优化算法更好。