IIR数字滤波器设计的粒子群优化算法.pdfVIP

第8 卷 第4 期 电路与系统学报 Vol. 8 No.4 2003 年8 月 JOURNAL OF CIRCUITS AND SYSTEMS August，2003 文章编号：1007-0249 (2003) 04-0016-05 IIR 数字滤波器设计的粒子群优化算法* 侯志荣， 吕振肃 （兰州大学信息科学与工程学院，甘肃 兰州 730000 ） 摘要：本文探讨了粒子群优化算法及其性能评估准则，然后重点研究了 IIR 数字滤波器设计的粒子群优化算法及 其实现步骤。最后，通过IIR 数字低通、带通滤波器设计两个实例证明了本文算法的有效性。 关键词：粒子群优化算法；IIR ；性能评估；滤波器设计 中图分类号：TP18 ；TN911.7 文献标识码：A 1 引言 IIR 数字滤波器是一类重要的滤波器，它用较低的阶数就可以实现很好的频率选择特性，因此在 通信、语音与图像信号处理、HDTV、生物医学以及地震勘测等许多方面都得到了广泛的应用。 IIR 数字滤波器设计也是数字信号处理领域中的重要课题之一。多年来，国内外学者在IIR 数字滤 波器设计问题上做了大量的探索并提出一些有效的设计方法[3][4][5][8][9] 。这些方法主要分为两类：一类 是先设计模拟滤波器，然后利用双线性变换方法将其变换为数字滤波器。该方法简单易行，但其设计 结果有时不是十分理想；另一类设计方法则是优化算法，它是在一定优化准则下，使设计的滤波器性 [8] [3][4][5] 能最优。比如，最小P 误差法 。近年来，已经有学者将遗传算法应用到IIR 数字滤波器设计中 ， 取得了较好的结果。遗传算法是一种全局最优化方法，是解决许多非线性优化问题的有力工具。但是， 遗传算法的运行速度较慢，有时会陷入局部最优解。此外，由于采用选择、交叉和变异等操作，遗传 算法的结构比较复杂。 粒子群优化算法PSO （Particle Swarm Optimization ）是由Eberhart 博士与Kennedy 博士发明的一 [1] 种新的全局优化进化算法。该算法源于对鸟类捕食行为的模拟 。该算法在解决非线性优化问题方面 有突出的表现，同时算法实现简单，因此，它已经成为一种重要的优化工具。本文将改进的粒子群优 化算法用于 IIR 数字滤波器设计，提出了设计 IIR 数字滤波器的粒子群优化算法。仿真结果表明，该 方法优化效果好，与设计IIR 数字滤波器的遗传优化算法相比，具有可以采用实数编码、运行速度快、 算法结构简单等优点。 2 粒子群优化算法 2.1 算法简介 粒子群优化算法与遗传算法类似，同样基于群体与适应度的概念，粒子位置代表问题的可能解， 它通过粒子适应度来衡量粒子的优劣。算法首先初始化一群随机粒子，然后通过多次迭代找到最优解。 在每一次迭代中，粒子通过跟踪两个“极值”来更新自己：一个是粒子本身所找到的最优解，即个体 极值pBest ；另一个是整个粒子群目前找到的最优解，称之为全局极值gBest 。 [1][2] 粒子在找到上述两个极值后，就根据下面两个公式来更新自己的速度与位置 ： V w *V c1 rand () (pBest Pr esent) c2 rand () (gBest Pr esent) （1） Present= Present +V （2 ） 其中，V 是粒子的速度，Present 是粒子的当前位置，pBest 与gBest 见前面定义。rand()是（0 ，1）之 间的随机数，c 和c 被称作学习