一种基于混合粒子群优化算法的一维相检索外文翻译.docVIP

毕业设计（论文）外文翻译 题目：A Hybrid Particle Swarm Optimization-Based Algorithm for 1-D Phase Retrieval 一种基于混合粒子群优化算法的一维相检索 摘要解决一维检索问题通常采用迭代算法应用离散近似信号。这些算法用其收敛性的不可预知性停滞和计算本文了粒子群优化算法来解决这个问题。首先,一维检索被认为是一种约束非线性优化问题。其次,罚函数法转化为无约束非线性优化问题。最后,结合粒子群优化算法爬山法来解决这个优化问题。解决方案的有效性数值例子说明。1引言 通过测量其傅里叶变换信号在不同的领域,包括光学[1]、信号处理[2],电磁计算程序[3]等。如果的傅里叶被恢复信号重构,检索。检索有两类解决方法:根据分析性能和根据数值程序。对数希尔伯特变换获得一近似解。这方法的优点是他们的理论和完整性。然而,这些算法噪音敏感高和计算。寻找数值解。然而,这些算法有不完善的地方,如停滞、收敛速度慢,计算量大,因而限制实际应用一维检索是给它的傅里叶变换。同样地,原信号应用逆傅里叶变换。它可以被描述如下原始信号代表复变函数的变量: X() = m(ω)exp( jφ(ω))，m(ω)定义为模，φ(ω)为相，给定m(ω)我们需要确定(ω)。一维信号不能傅里叶模量恢复。有无限的可能性。为了确定一个, 需要知道更多的信息,例如,它零相位,或它最或最。最小相位解决这个检索问题 [2、4、5]。信息,最小相位信号非最小相位有相同的光谱大小。是使用两极最小相位解决。在所有当前已知算法,迭代变换算法已被证明是最有效最易被应用于数字计算机[2、4]。这些迭代算法是基于时域频域和每一步已知约束。然而,这些算法一般停滞或收敛缓慢停滞。在这篇文章中,我们考虑使用混合粒子群优化一维检索。它的傅里叶模量重建信号被认为是一大量变量的约束非线性优化问题。混合粒子群算法来解决这个优化问题第二一维检索问题非线性优化问题。第三简要介绍了混合粒子群优化和罚函数法及它们的非线性优化应用。第四描述了混合粒子群优化一维检索数值模拟。2变换的一维检索问题给定谱,可以存在无限的信号相同的谱。在这些信号,只有一个最小相一个最大相。最小相位信号,和相位函数形成希尔伯特变换对:(ω) = H{log |X(s)|} = H{logm(ω)}。最大相位信号,(ω) = ?H{logm(ω)}。如果X(s)既不是最小相位最大,为了获得唯一解，需要更多的信息。这些额外的信息通常包括时间域一些样品有关的原始信号。在文献[6], Adrian Burian和Jarmo Takala一维信号检索问题转化为约束优化问题。在本节中,我们将他们的成果。我们xn的N个样本, ml表示频谱的模, φl表示频谱的相位,分别。anl bnl表示为有关离散傅里叶变换。anl = cos(2πnl/N) (1) bnl = ?sin(2πnl/N) (2) 这里，0 ≤ n, l ≤ N ? 1。已知以上定义，可以得到以下两个方程： (3) 想象一下有两变量: cl = cos φl; sl = sin φl (4) 让我们A ∈和B ∈，包含的常数分别由方程 (1)(2) 定义。很容易A = 和B = 。这两个矩阵的元素圆是三角函数,所以存在AB = BA = 0, A2 + B2 = N ? I, I被定义为 N × N的单位矩阵.DM = diag(ml)是对角矩阵,其主要对角线元素的已知。列向量C , S ∈ 和 X ∈分别包含所有的未知cl, sl 和 xn。误差定义如下: (5) 根据以上定义，一维相检索问题可以被认为约束非线性优化问题（CNOP）： min s.t. ? 1 ≤ cl, sl ≤ 1 (6) + = 1 3用罚函数法约束处理罚函数是传统解决约束非线性优化问题的办法。使用这个方法,约束有效的移除,当发生违反被加到目标函数。因此,该优化问题成为目标函数和罚。罚函数可以平稳或非平稳违反发生时平稳罚函数一个固定罚。相反, 非平稳罚函数, 同时非平稳罚函数迭代次数的。罚函数法,其它优化算法实施时,对目标函数评估之后需要严格的审查程序,以确定何程度的违反,其次是罚应用任务和总结用于本文罚函数: F(x, δ) = f (x) + δP(x), x ∈ S ? Rn (7) 在方程(7), F(x, )是罚函数; f (x)是优化原目标函数;P(x)为罚项;是指的因素。, P(x)的定义: P(x) = γ(gi(x)) +