论文部分内容阅读
数字滤波器在信息传输领域占据不可或缺的位置,广泛应用于语音信号处理、医学生物信号处理、军事雷达、以及航空航天等多个领域。数字滤波器的性能优化变得尤为重要。在设计模拟滤波器时,所需要的高精度、多指标等要求不仅使设计过程变得更加复杂、结构庞大,而且易于受到外界的影响,很难达到目标要求。随着计算机科学和集成电路工艺的发展,我们可以通过计算机软件得到符合我们设计指标的数字滤波器。但是,在科技日益发展迅猛的今天,数字滤波器的性能指标不断提高,采取一般的设计方法很难实现较为复杂的数字滤波器结构。所以对于数字滤波器的性能优化变得十分重要。近些年来,演化算法十分广泛的应用于数字滤波器性能的优化。主要有:遗传算法(Genetic Algorithm,GA),神经网络算法(Neural Network Algorithm,NEA)、人工免疫算法(Immune Clonal Selection Algorithm,ICSA)、粒子群算法(Particle Swarm Optimization)和蚁群最优化算法(Ant Colony Optimization,ACO)等等。这些优化算法都是先根据数字滤波器的性能要求得出相对应的系统传输函数,然后由系统传输函数得到数字滤波器的结构,再依据各个算法的特点,有针对性的对数字滤波器的性能进行优化分析。本文主要通过遗传算法和粒子群算法分别对数字滤波器进行结构上的优化,然后二者实验对比,得到较优算法。在使用基于演化算法的方法来对数字滤波器进行优化时,首先利用遗传算法得到最优滤波器结构,再通过差分算法对数字滤波器参数进行近一步的优化。本文主要研究工作有以下几个方面:(1)介绍数字滤波器的设计方法。(2)分别利用遗传算法和粒子群算法设计数字滤波器结构。(3)通过遗传算法和粒子群算法优化得到的数字滤波器性能进行实验对比分析。(4)使用差分算法和步长变换算法对于遗传算法得到的数字滤波器进行更进一步的优化。(5)总结研究结果并做出展望通过本文的实验结果可以证明,基于遗传算法的数字滤波器的优化设计方法相对于粒子群算法能够得到较好的实验结果。根据滤波器的目标特性能够直接对滤波器的结构进行设计,在数字滤波器的设计过程中体现出一定的实用性,同时演化算法也具有广泛的适用性。