1、毕业设计外文翻译题目APARTICLESWARMOPTIMIZATIONAPPROACHTONONLINEARRATIONALFILTERMODELING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，塑造非线性合理的滤波器，未知的滤波器参量被安排称在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
2、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（VANDEVEGTE,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
3、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。（LINSHIEBERHART，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
4、，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ABIDO2002。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同伴的随机速度飞行经验和个体通过飞行空间位置它有建设性的通过分享与其他微粒合作LIU,WANG,JIN,TANG,HUANG,2005。由于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YIN2004，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GAING2004，PSO算法被应用于PID控制器
5、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ELZONKOLY2006。在YU和HU2006，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
6、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1U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输出值。通常，分子AK和分母BK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其中分子和分母代表衰退的数值命名在分子中和分母中，各自PNI
7、K和PDIK是过去输入过去输出的产品,例如，是对应的滤波器参量。而且，由于1和2，一估计的非线性合理过滤器模型为了接近实际过滤器的模型被修建作为如下3并且4其中U是和1一样的输入，Y是产品的估计模型，AK和BK是分子和分母的多项式，和分别为由提出的PSO算法解决的非线性合理的式样的估计参量。让作为一个估计参量传染媒介，并且MNUMDEN是非线性合理的过滤器参量的总数。根据PSO算法，参量传染媒介是作为一个解决参量估计问题的微粒设计到的，是的位置因素，。此外，一个群组由很多微粒组成。3、结论在本文，我们顺利地将PSO算法应用于非线性滤波器的参量估计。在基于PSO算法的滤波器参量估计，一套未知的滤波器参量作为一微粒涉及到，然后更新惯例的速度和位置在微粒强迫它们趋于更好的位置上表现出来。同时，被预先指定的目标函数MSE能减到最小。为了展示估计效果，几个检查的条件被考虑，包括噪声的不同的大小和初始群体随机性设置的不同。比较基于PSO算法和GA方法得到的模拟结果，他们明显地显示出提出的PSO算法在估计非线性合理的过滤器参量上的有效性。
