QPSO算法在FIR数字滤波器频率抽样法设计中应用.docVIP

QPSO算法在FIR数字滤波器频率抽样法设计中应用 　　摘 要:介绍了量子粒子群算法在有限冲击响应数字滤波器频率抽样法设计中的应用,给出了算法实现的具体实施步骤,并结合低通和带通滤波器设计的两个例子验证该方法的有效性和先进性。 　　关键词:量子粒子群优化算法 有限冲击响应数字滤波器 频率抽样 过渡带 　　中图分类号:TN911.72,TP301.6文献标识码:A 文章编号:1007-9416(2011)04-0129-02 　　 　　1、引言 　　滤波器设计是信号处理的核心问题,由于FIR(Finite Impulse Response,有限冲击响应)数字滤波器具有严格线性相位特性,同时具有任意的幅度特性,因而FIR滤波器在工程上得到了广泛应用。频率抽样技术是FIR数字滤波器设计的常用方法之一,对于频率响应只有少数非零值抽样的窄带选频滤波器特别有效[1]。但使用频率采样法时存在如何确定过渡带最佳样本值的问题,传统的方法是查表,但表中数据非常有限,所查得的数据往往不是最优。 　　QPSO (Quantum Particle Swarm Optimization,量子粒子群优化)算法是基于量子力学对粒子群算法进行改进后的算法,通过种群中各粒子之间的合作与竞争产生的群体智能指导优化搜索,具有收敛速度快、全局搜索能力强的特点,并且不依赖问题本身的特殊信息,可以解决大部分优化问题[2]。因而文中将QPSO算法引入FIR数字滤波器频率抽样法设计中,以期获得优于其它算法的效果。 　　 　　2、QPSO算法简介 　　QPSO算法从量子力学角度出发提出的新的PSO(Particle Swarm Optimization,粒子群优化)算法模型,该算法认为粒子具有量子行为,将粒子定义在由概率密度函数决定的量子空间内,粒子通过追随本身当前寻找到的最好位置pbest和整个粒子群当前找到的最好位置gbest,在整个可行解空间逐代搜寻,直到得到最优解 [5]。 　　在一个D维空间中,由M个代表潜在问题解的粒子组成种群X={X1,X2,…,XM},在第t次迭代时,第i个粒子位置为Xi(t)=[Xil(t),Xi2(t),…,XiD(t)]。个体最好位置表示为Pi(t)=[Pi1(t),Pi2(t),…,PiD(t)],群体的全局最好位置为Gi(t)=[Gi1(t),Gi2(t),…,GiD(t)],且G(t)=Pg(t),其中g为处于全局最好位置粒子的下标,g取1至M 之间的整数。在每次迭代中,粒子通过下面的方程进行进化: 　　此处φ和μ都是介于[0,1]之间的随机数,d取1至D 之间的整数。mbest是种群中所有粒子的平均最好位置。β为收缩扩张系数,是QPSO算法中唯一的参数,一般取β=0.5*(G-t)/G+0.5,Tmax为最大迭代次数。在迭代过程中,式93)中的±是由β的取值大小决定,当时取“-”,当时取“+”[8]。 　　3、频率抽样技术 　　频率抽样技术是从频域出发,基于频率采样定理,对理想滤波器频率响应Hd(ejw)进行N等分间隔抽样,得到理想滤波器在各频率采样点上的值Hd(k),即: 　　对于线性相位滤波器,有: 　　其中,Hd(k)是滤波器的幅值,是相位响应。 　　对Hd(k)进行IDFT变换,可以得到N点单位取样序列h(n), 即: 　　对应的滤波器实际实际频率响应为: 　　分析实际响应H(ejω)与理想Hd(ejω)之间的误差,可看出:采样点上滤波器的实际频率响严格地和理想频率响应数值相等,采样点之间的误差取决于理想频率响应的曲线形状,曲线变化越平缓逼近误差越小,反之误差越大[1]。 　　为了缓和FIR滤波器频率响应的幅度特征在通带边缘因采样点幅值的剧变而引起的振荡,可采取增加过渡带抽样点的方法。但如何确定过渡带中的样本值,使设计出滤波器性能更佳,是一个需要解决的问题。QPSO具有全局搜索能力强的优点,因而可以将QPSO算法引入FIR数字滤波器频率抽样法设计中,用以寻找过渡带最佳采样值,从而解决查表法存在的不足。 　　 　　4、QPSO算法及算法实现 　　对理想滤波器频率响应Hd(ejω)等间隔采样,可以确定阻带和通带上各频率采样点上的采样值;由采样点总数和过渡带宽,求得位于过渡带的样本数目D,取过渡带样本幅值为T1,T2,…,TD,且0T1,T2,…,TD1,和通带、阻带上个采样点采样值一起组成整个频域的采样点采样值Hd(k);则根据式(7)可计算出滤波器的脉冲响应h(n),由h(n)即可求得FIR数字滤波器实际频率响应H(ejω),同时可确定最大通带波动Ap和最小阻带衰减As。由滤波器性能指标可知,Ap的值越小越好,As的值越大越好。此处运用QPSO算法的目的,是寻找最佳过渡带频率采样