基于粒子群算法的非递归数字滤波器设计研究

发布时间：2017-08-17 03:06

  本文关键词：基于粒子群算法的非递归数字滤波器设计研究

  更多相关文章： 非递归数字滤波器 权重分析 混沌理论 PSO算法

【摘要】：在当今发达的信息社会里,人们所获取的信息量在急剧增加,因此就需要高性能的信息处理手段对所获取的信息进行处理,以服务社会及个人需求。随着数字信号处理技术的飞速发展,信息处理手段正以各种形式渗透到其他学科,形成交叉学科应用。在工业领域中,数字滤波器作为数字信号处理的核心,正受到人们的普遍关注。在数字信号处理领域中,无论是信号的提取、传输,还是信号的恢复都离不开数字滤波器的应用,它对信号的安全传输与灵活处理都是必不可少的。在所有的电子系统中,数字滤波器是系统中技术最复杂的部分,数字滤波器作为电子产品的核心,其设计的优劣直接决定产品质量的好坏。由于非递归数字滤波器也称为有限长单位脉冲响应数字滤波器(Finite Impulse Response,FIR)具有严格的线性相频特性,在幅频上可以进行各种设计,能进行多通带与多阻带的设计。FIR数字滤波器的单位响应序列长度是有限长的,这样能够保证该滤波器系统是稳定,使得FIR数字滤波器具有广泛的应用领域和研究前景。在实际的工业设计中经常会遇到各类的优化问题,许多问题的精确处理最后都可以转化成优化问题得以解决。而FIR数字滤波器设计就是其单位响应序列的设计,其设计核心即是数字滤波器系数优化。为了对各类优化问题进行精确处理,人们启发于仿生原理提出了遗传优化算法、蚁群优化算法、粒子群优化算法等算法应用于优化问题。其中粒子群算法(Particle Swarm Optimization,PSO)是模拟鸟群社会行为的群体搜索算法,由于其算法原理简单、收敛速度快、参数易于设置等特点引起研究者们的重视,并且在实际工业问题解决中展示了该算法的高效性。近年来,随着进化算法和群智能理论的发展,粒子群算法被引入到数字滤波器的辅助设计中,并在实际应用中,体现了良好的效能。针对传统设计方法在设计FIR数字滤波器过程中出现的精确度不高、边带频率难以确定等缺陷,本文采用粒子群算法及其改进算法对FIR数字滤波器的参数进行优化设计。首先对粒子群算法的惯性权重、加速因子等参数进行了讨论,分别分析了线性权重和非线性权重两种不同参数选择对优化算法性能的影响,并对算法的其他相关优化参数进行了讨论,然后将混沌理论引入到非线性权重粒子群算法中,提出了非线性权重混沌粒子群算法并采用该方法对FIR数字滤波器进行优化设计。最后,对基于非线性权重混沌粒子群算法设计的FIR数字滤波器进行仿真,结果表明相比于传统滤波器的设计方法,采用基于非线性权重混沌粒子群算法设计的FIR数字滤波器具有更好的逼近特性、算法收敛性和FIR滤波器设计效果。
【关键词】：非递归数字滤波器 权重分析 混沌理论 PSO算法
【学位授予单位】：上海工程技术大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TP18;TN713.7
【目录】：

• 摘要6-8
• ABSTRACT8-12
• 第一章 绪论12-23
• 1.1 课题研究背景及意义12-15
• 1.1.1 研究背景12-13
• 1.1.2 研究意义13-15
• 1.2 国内外研究现状15-21
• 1.2.1 滤波器的研究现状15-17
• 1.2.2 粒子群算法的研究现状17-21
• 1.3 本文研究内容及安排21-23
• 1.3.1 研究内容21-22
• 1.3.2 内容安排22-23
• 第二章 数字滤波器优化设计理论基础23-43
• 2.1 数字滤波器的简介23-25
• 2.2 FIR数字滤波器的相位分析25-32
• 2.3 数字滤波器设计准则及技术指标32-35
• 2.4 FIR数字滤波器的传统设计方法35-41
• 2.4.1 窗函数法对FIR数字滤波器的设计35-37
• 2.4.2 频率抽样法对FIR数字滤波器的设计37-39
• 2.4.3 帕克斯-麦克莱伦法对FIR数字滤波器的设计39-41
• 2.5 本章小结41-43
• 第三章 基于混沌粒子群算法设计非递归数字滤波器43-61
• 3.1 混沌运动的原理43-44
• 3.2 混沌粒子群算法描述44-55
• 3.2.1 标准粒子群算法原理44-49
• 3.2.2 参数对优化算法的影响49-51
• 3.2.3 混沌粒子群算法流程51-53
• 3.2.4 混沌粒子群算法的测试函数仿真53-55
• 3.3 混沌粒子群算法对非递归数字滤波器的设计55-60
• 3.4 本章小结60-61
• 第四章 基于非线性权重混沌粒子群混合算法设计数字滤波器61-69
• 4.1 混沌粒子群算法的非线性权重因子分析61-62
• 4.2 测试函数及算法的仿真实验62-65
• 4.3 非线性权值的混沌粒子群算法设计FIR低通数字滤波器65-68
• 4.4 本章小结68-69
• 第五章 总结与展望69-71
• 参考文献71-74
• 攻读硕士学位期间发表的学术论文及取得的相关科研成果74-75
• 致谢75-76

【相似文献】

中国期刊全文数据库 前10条

1 秦玉灵;孔宪仁;罗文波;;混沌量子粒子群算法在模型修正中的应用[J];计算机工程与应用;2010年02期

2 陈治明;;新型量子粒子群算法及其性能分析研究[J];福建电脑;2010年05期

3 牛永洁;;一种新型的混合粒子群算法[J];信息技术;2010年10期

4 全芙蓉;;粒子群算法的理论分析与研究[J];硅谷;2010年23期

5 刘衍民;赵庆祯;邵增珍;;一种改进的完全信息粒子群算法研究[J];曲阜师范大学学报(自然科学版);2011年01期

6 朱童;李小凡;鲁明文;;位置加权的改进粒子群算法[J];计算机工程与应用;2011年05期

7 熊智挺;谭阳红;易如方;陈赛华;;一种并行的自适应量子粒子群算法[J];计算机系统应用;2011年08期

8 孟纯青;;非线性粒子群算法[J];微计算机应用;2011年08期

9 任伟建;武璇;;一种动态改变学习因子的简化粒子群算法[J];自动化技术与应用;2012年10期

10 刘飞,孙明,李宁,孙德宝,邹彤;粒子群算法及其在布局优化中的应用[J];计算机工程与应用;2004年12期

中国重要会议论文全文数据库 前10条

1 朱童;李小凡;鲁明文;;位置加权的改进粒子群算法[A];中国科学院地质与地球物理研究所第11届（2011年度）学术年会论文集(上)[C];2012年

2 陈定;何炳发;;一种新的二进制粒子群算法在稀疏阵列综合中的应用[A];2009年全国天线年会论文集（上）[C];2009年

3 陈龙祥;蔡国平;;基于粒子群算法的时滞动力学系统的时滞辨识[A];第十二届全国非线性振动暨第九届全国非线性动力学和运动稳定性学术会议论文集[C];2009年

4 于颖;李永生;於孝春;;新型离散粒子群算法在波纹管优化设计中的应用[A];第十一届全国膨胀节学术会议膨胀节设计、制造和应用技术论文选集[C];2010年

5 刘卓倩;顾幸生;;一种基于信息熵的改进粒子群算法[A];系统仿真技术及其应用（第7卷）——'2005系统仿真技术及其应用学术交流会论文选编[C];2005年

6 熊伟丽;徐保国;;粒子群算法在支持向量机参数选择优化中的应用研究[A];2007中国控制与决策学术年会论文集[C];2007年

7 方卫华;徐兰玉;陈允平;;改进粒子群算法在大坝力学参数分区反演中的应用[A];2012年中国水力发电工程学会大坝安全监测专委会年会暨学术交流会论文集[C];2012年

8 熊伟丽;徐保国;;单个粒子收敛中心随机摄动的粒子群算法[A];2009年中国智能自动化会议论文集（第七分册）[南京理工大学学报（增刊）][C];2009年

9 马向阳;陈琦;;以粒子群算法求解买卖双方存货主从对策[A];第十二届中国管理科学学术年会论文集[C];2010年

10 赵磊;;基于粒子群算法求解多目标函数优化问题[A];第二十一届中国（天津）’2007IT、网络、信息技术、电子、仪器仪表创新学术会议论文集[C];2007年

中国博士学位论文全文数据库 前10条

1 王芳;粒子群算法的研究[D];西南大学;2006年

2 安镇宙;家庭粒子群算法及其奇偶性与收敛性分析[D];云南大学;2012年

3 刘建华;粒子群算法的基本理论及其改进研究[D];中南大学;2009年

4 黄平;粒子群算法改进及其在电力系统的应用[D];华南理工大学;2012年

5 胡成玉;面向动态环境的粒子群算法研究[D];华中科技大学;2010年

6 张静;基于混合离散粒子群算法的柔性作业车间调度问题研究[D];浙江工业大学;2014年

7 张宝;粒子群算法及其在卫星舱布局中的应用研究[D];大连理工大学;2007年

8 刘宏达;粒子群算法的研究及其在船舶工程中的应用[D];哈尔滨工程大学;2008年

9 杨轻云;约束满足问题与调度问题中离散粒子群算法研究[D];吉林大学;2006年

10 冯琳;改进多目标粒子群算法的研究及其在电弧炉供电曲线优化中的应用[D];东北大学;2013年

中国硕士学位论文全文数据库 前10条

1 张忠伟;结构优化中粒子群算法的研究与应用[D];大连理工大学;2009年

2 李强;基于改进粒子群算法的艾萨炉配料优化[D];昆明理工大学;2015年

3 付晓艳;基于粒子群算法的自调节隶属函数模糊控制器设计[D];河北联合大学;2014年

4 余汉森;粒子群算法的自适应变异研究[D];南京信息工程大学;2015年

5 梁计锋;基于改进粒子群算法的交通控制算法研究[D];长安大学;2015年

6 杨伟;基于粒子群算法的氧乐果合成过程建模研究[D];郑州大学;2015年

7 李程;基于粒子群算法的AS/RS优化调度方法研究[D];陕西科技大学;2015年

8 樊伟健;基于混合混沌粒子群算法求解变循环发动机数学模型问题[D];山东大学;2015年

9 陈百霞;考虑风电场并网的电力系统无功优化[D];山东大学;2015年

10 戴玉倩;基于混合动态粒子群算法的软件测试数据自动生成研究[D];江西理工大学;2015年

，

本文编号：686792