3 仿真算例
为了验证所提出算法的有效性,在计算机上采用Matlab语言进行FIR数字滤波器设计的仿真实验。同时为了比较算法性能,还采用基本遗传算法(BGA)和基本粒子群优化算法(BPSO)进行了相同的滤波器优化设计。仿真实验中,粒子群优化算法的参数设置为:群体大小Size=30,参数维数Codel=30,最大惯性权重为O.9,最小为0.2,聚合度为20,最大迭代次数为200;遗传算法参数设置为:种群30,遗传代数200,交叉概率0.5,变异概率0.1。
实例1 设计一个低通FIR数字滤波器,其技术指标如下:
实例2 设计一个带通FIR数字滤波器,其技术指标如下:
图2和图4分别是三种算法在设计FIR低通和带通数字滤波器的参数优化过程图。
图3和图5则是用三种不同算法设计的FIR低通和带通数字滤波器。从图2和图4中容易看出,无论是对低通还是带通滤波器的设计,因为IMPSO对BPSO加入了聚合度检测,能进行智能变异,同时采用线性递减的惯性权值系数。因此与BPSO相比,IMPSO既有最快的寻优速度,也具有最好的适应值,只要迭代次数设置合理,在迭代次数范围内,粒子总会找到全局最优值。BPSO与BGA的寻优速度慢,容易陷入早熟收敛,很难得到理想的最优参数。由图3和图5的FIR低通与带通数字滤波器的幅频特性曲线可明显看出,利用IMPSO设计的滤波器在三种算法中最接近理想的滤波器,是较好的FIR滤波器设计方法。
4 结 语
在此通过加入聚合度,并将遗传算法中的变异思想引入到PSO算法中,对粒子实现智能变异,能有效克服标准.PSO容易进入局部收敛的缺点。同时由于该算法用到的参数少,程序实现简单,因此与BGA等其他算法相比,具有运算量少,寻优速度快等优点。通过实例仿真结果表明,这里提出的IMPSO算法在FIR低通与带通数字滤波器的设计上比BPSO和BGA具有更好的收敛速度和搜索能力。在设计FIR带阻和多通带数字滤波器时,IMPSO也是一种有效的设计方法。