一种粒子群优化算法实现的非线性滤波器模型外文翻译.docVIP

毕业设计外文翻译 题目：A particle swarm optimization approach to nonlinear rational filter modeling 一种粒子群优化算法实现的非线性滤波器模型 摘要 本文提出一种粒子群优化(PSO)算法解决非线性动态的参量估计问题的滤波器。以参量的形式，，PSO术语的一个粒子。 提出的PSO算法应用速度更新和位置由许多微粒组成了这样更好的微粒引起。由于PSO算法参量导航直接地作为实数而不是二进制串，实施PSO算法入计算机计划变得非常容易和直接。 终于，塑造的一个说明非线性合理的过滤器与传统基因算法，提出的比较，显示它他的有效性。 关键字： 非线性合理的滤波器; 粒子群优化(PSO); 参量估计 1、介绍 线性滤波器在数字信号处理领域中是一个重要的课题。滤波器扮演的主要角色是当外在输入信号通过滤波器的时候预留期望的一些频率内容和去除其它部分。二种重要类型的线性滤波器，有限冲击响应(FIR)滤波器和无限冲击响应（IIR）滤波器（Van de Vegte, 2001)。目前FIR滤波器的的输出仅受现在和过去输入的影响。然而，当前IIR滤波器的输出不仅由现在和过去的输入信号形成，而且还有过去的输出信号。一特定滤波器的个性特征，FIR滤波器也许要求许多形式才能达到期望的特征，二IIR滤波器通常需要少量的形式达到同一个目标。然而，FIR滤波器提供一些IIR滤波器所没有的优势。例如，FIR滤波器保证的是稳定的，但是稳定的IIR滤波器精度取决于过滤器参量的选择。FIR滤波器和IIR线性滤波器都被广泛的应用是由于他们低消费的硬件实现和一些好的分析材料，例如汇合， 极小值和失调错误。虽然线性滤波器在很多应用上达到了许多成功，却有一些非线性行为上升，线性滤波器表现的也许还不好。（ Lin Juang, 1997）。一般来说，线性滤波器不能非常有效的处理包含在同一时间和频率不同位置特点的信号。不好的表示方法强调由线性滤波地方化了特点也许能由线性滤波的方法克服(Nounou Bakshi 1999)。此外，非线形滤波器，例如中点和被衡量过的中点杂滤波器提供从信号中去除噪声和外围之物，当保存特点时(Ganguli 2002)。 最近，微粒群优化(PSO)成功地应用于各种各样的优化问题(Kenny Eberhart 1995年; shi Eberhart，1998年，1999)。这种新的最优化算法结合社会心理学在社会认知人的代理和演变。PSO算法来源于刺激有机体的行为，例如鱼和鸟的捕食。它被描绘作为一个简单的概念，是容易实施和实现计算上高效率。不像其他启发式技术，PSO有一灵活和提高全球性和地方的机制能力，它被描绘作为一个简单的概念，是容易实现实施和计算上高效率。不像其他启发式技术， PSO有一灵活和提高全球性和地方的平衡机制开发能力(Abido 2002)。 这种算法开始引起任意解答的最初的人口的每个个体，也告诉微粒，分配与根据它自己和PSO算法的好特点，现今它作为一种新的有吸引力的最佳工具涌现并在不同的领域被应用。 在Yin(2004)，提出一新的新计算方法方法杂交PSO算法。 提出的方法极大改进了压缩形式的计算结果。 在Gaing (2004)，PSO算法被应用于PID控制器的设计、自动电压调整器(AVR)系统。 三种PID控制目标是通过使用PSO算法极小化一种新的时间领域形式准则。作者也使用PSO算法解决调整动力系统安定器和AVR产品 。参数寻优的宗旨是形成作为对一个非线性问题的限制和对目前系统参量的允许的区域的限制(ElZonkoly 2006)。 在Yu和Hu (2006)，作者将PSO算法应用于基于滑模式控制器对AC伺服电动机控制。平滑表面参量取决于提出的PSO算法来提供最佳的产品。 在当前工作，一种简单和有效的PSO算法提议塑造非线性合理的滤波器类。为了核实提出的PSO算法的有效率，在测量中设置不同的初始值和不同的测量因素进行测试。传统GA方法也用于同一个例子，将一些测量结果进行比较。 2. 非线性合理的过滤器 一个多项滤波器模型是在参量上线性和衰减形式上的非线性，能代表线性和非线性滤波器。非线性滤波器模型是一个多项模型的引伸。它由二个多项滤波器结果比率定义。使用非线性模型合理的理由是它能给复杂非线性滤波器一个非常简明的表示法，而且有好的推测结果(朱2003)。动态非线性合理的滤波器一般差分方程由以下给出 (1) u是将被过滤的外在输入信号，y是合理的非线性滤波器的产品， m一致地表示一种随机噪声，Mu和My是分母需要的过去输入和过去的a(k)和分母b(k)是过去的输入和输出的作用。 假设，他们可以根据如下的多项式表达： (2)