一、一种变焦遗传算法（论文文献综述）
刘冲,宋智星,刘彬[1]（2020）在《变焦遗传算法优化变增益模糊ARX模型研究》文中研究表明针对传统ARX模型对非线性系统模型辨识精度比较低的问题,进行了模糊模型和ARX模型相关优化算法的调查,介绍了遗传算法优化模糊模型的现状,提出采用改进变焦遗传算法优化变增益模糊ARX模型参数的方法以提高模型的辨识精度。改进的变焦遗传算法能在不同前代种群情况下更新不同数量基因,以提高搜索速度;用不同的概率选择交叉位置,可避免早熟现象,并能在较短时间内达到最优或次优解。变增益模糊ARX模型可根据非线性系统的变化改变其增益,使模型的辨识精度提高。利用改进变焦遗传算法的优点,对变增益模糊ARX模型的参数进行优化,并通过两入两出多时滞离散非线性系统进行试验仿真。试验结果证明了改进变焦遗传算法优化变增益模糊ARX模型参数的方法能提高模型辨识精度,表明了提出的优化方法的有效性,为变焦遗传算法与模糊模型的结合提供了一种途径。
顾昕峰[2]（2018）在《多目标优化预测控制算法研究及在篦冷机中的应用》文中研究说明随着科技的发展,水泥工业在飞速发展的同时,其能源消耗和环境污染的问题受到越来越多人们的重视。随着现代工业发展中被控变量的增加和对控制品质要求的提高,根据模型预测控制算法的不足,对现有建模和控制方法进行研究优化,对于提高工业过程控制效果具有重要意义。本课题以水泥篦冷机为研究对象,根据篦冷机换热过程中各主要参数之间的关系,提出了基于梯形区间软约束的多目标优化预测控制算法和基于变焦遗传算法的模糊ARX模型辨识算法。具体研究工作如下:首先,根据预测控制算法和多目标优化方法的方法原理,研究目前预测控制和多目标优化领域的常用方法,对多目标优化预测控制算法的研究现状进行深入分析,选取了ε-约束法作为多目标函数求解的优化方法,并对其限制域的求取过程进行了优化,减小了其优化过程中的计算复杂程度,提高了多目标函数的求解精度。其次,基于线性模型,提出了一种基于梯形区间软约束的多目标优化预测控制算法。算法通过工业实际的容忍区间和目标值来确定梯形区间,同时考虑到在工业控制过程中,多个目标相互耦合相互干扰等问题,建立了两个目标函数,同时将改进后的ε-约束法应用到多目标函数的求解过程中。以此来减小求解过程中的计算量,增加了自由度,提高了系统的抗干扰能力。然后,针对多变量非线性系统,利用T-S模糊模型作为系统的稳态非线性模型,以ARX模型为系统的动态线性模型,通过T-S模糊模型求得的增益对ARX模型进行修正,建立模糊ARX模型。并采用变焦遗传算法来优化模糊模型中隶属函数的前提参数,最后再确定结论参数。以此为基础提出一种基于变焦遗传算法的模糊ARX模型辨识算法。最后,结合篦冷机的工作原理,通过对水泥篦冷机换热过程中各主要参数的深入分析,选择了合适的控制参数,利用生产实际中得到的数据建立预测模型,设计梯形区间软约束多目标优化模型预测控制器,经过仿真实验,表明了本文算法的有效性。
张琛[3]（2016）在《大规模全局优化中的分组技术和局部搜索技术研究》文中研究指明从遗传算法和进化策略的提出至今,科研工作者不断地提出了很多不同的元启发算法去解决全局优化问题,这些算法展现出了很强的搜索能力并找到了令人满意的解。然而,随着科学和计算的进步,对于全局优化问题,函数自变量的个数由少于十个逐渐转变为成百上千,越来越多的问题从传统的小规模优化转向更加复杂的大规模优化。随着问题维度的增加,搜索空间变大,在有限时间内去寻找全局最优解,这些算法开始面临“维度灾难”,传统的搜索算法在处理这些问题时效果变得很差。这些算法效果变差的原因主要有两点:第一,随着变量维度的线性增加,搜索空间的大小呈指数增加趋势;第二,随着变量维度的增加,很多问题的性质发生了改变。因此,大规模全局优化问题的求解成为目前此研究领域的一个关键问题。而大规模优化问题可以根据测试函数的公式已知与否分为白盒优化和黑盒优化问题,白盒问题即已知求解函数的公式,而黑盒问题则是只知道函数的输入和输出,去求解函数的全局最优解。首先,随着协同进化框架的提出,“分而治之”的思想成为解决大规模优化的一个关键点。分而治之的主要方法是把一个大规模的全局优化问题分解成若干个小规模问题,再分别去优化这些小规模问题。而其中研究的主要方向则为怎样把大规模问题分解成为小规模问题,即就是基于变量的相关性对变量进行分组。如果一个变量是独立的,那么它的优化则不会影响到别的变量的优化,在对其他变量进行优化时,这些不相关变量可以被当作常量进行处理。而把相关的变量分到一组进行优化也能够很好的提高优化效果。本文提出了一个基于分治策略的针对大规模全局优化问题的新的分组方法,使用基于部分相关系数的方法判断不同维度之间的相关性并在进化过程中对变量进行分组。并且分别提出使用一次相关性判断和多次相关性判断的方法去处理分组问题。同时,采用协同进化的框架,对已完成分组变量按组用进化算法分别进行优化。其次,在大规模优化问题中,在对评价次数有明确规定的情况下,为了节约评价次数并加快问题的收敛速度,本文对带近邻搜索的自适应差分进化算法（SaNSDE）进行改进。在SaNSDE的基础上加入变焦策略,并提出一种新的变异策略。在优化过程中,不断缩小每一维变量的搜索空间的大小,并配合滑动窗口防止进化过程中的过早收敛到局部最优解,加快收敛到全局最优解的速度。为了验证提出的算法的有效性,首先在小规模测试数据集上对基于SaNSDE的变焦变异算法进行测试。实验结果表明,在小规模测试函数上,基于SaNSDE的变焦算法获得了良好的结果。其次,在大规模测试函数上分别对变焦算法,一次相关性判断算法和多次相关性判断算法进行测试,并对实验结果予以分析说明。实验结果表明,本文提出的算法在解决大规模问题上展现出了很好的有效性和计算效率。
王磊[4]（2013）在《基于遗传算法的前馈神经网络结构优化》文中进行了进一步梳理BP网络虽然有简单的优点，但它的实质是基于梯度下降的算法原理，BP网络会有陷入局部最小的可能，进而会妨碍BP网络的学习，同时，网络泛化能力也要降低。此外，当BP网络解决比较复杂的问题时，人为地去设计网络结构不容易达到恰到好处的效果。遗传算法是人工智能的一个分支，应用广泛，具有很强的全局收索和优化计算能力，不依赖于梯度信息，适合解决高度复杂的非线性问题，并且，可以对问题进行大规模并行分布处理，可以很好的解决BP网络结构设计的问题。论文研究了神经网络的结构确定的基本方法，讨论了常规神经网络结构确定存在的问题和不足，分别研究了附加动量法、学习率自适应法、共轭梯度法、Levenberg-Marquardt（LM）算法在神经网络设计中的应用，提出变焦遗传算法和BP算法相结合的神经网络结构设计方法。考虑到BP网络存在训练速度慢、局部最优问题，而遗传算法在整体搜索策略和优化计算方面不依赖于梯度信息，特别适用于高度复杂的非线性问题；也因为遗传算法的并行性，使得它更适合大规模并行分布处理，结合遗传算法的优点，给出了基于遗传算法优化神经网络结构的可行性，并给出了二者结合的具体方法，仿真验证了所给方法的有效性。论文对遗传算法采用混合编码，设计一种自适应的遗传方法，让交叉概率和变异概率随着进化过程动态调整。然后，针对函数逼近问题用改进后的遗传算法去优化前馈神经网络的结构，提高了网络的收敛速度和网络的泛化能力，避免了局部极小点问题的出现。
彭勇,林浒,卜霄菲[5]（2010）在《变焦佳点集遗传算法》文中指出通过使用数论佳点集理论与方法构造出佳点交叉算子,佳点集遗传算法（GGA）具有更快的收敛速度和精度,且避免了常见的早期收敛现象,但是二进制编码的佳点集遗传算法在位串长度确定的情况下无法克服二进制与实数之间的映射误差。针对二进制编码遗传算法存在从最高位到最低位依次收敛的多米诺现象,提出含有变焦因子的佳点集遗传算法来变相增加位串编码长度以期缩小该映射误差,提高搜索效率和求解精度。通过不同维数下的Benchmark测试函数的仿真结果表明,改进的算法具有全局收敛、求解精度和搜索效率高的优点。
彭勇[6]（2010）在《自然计算模型在优化问题中的应用研究》文中认为自然计算（Natural Computation）是表示由自然启发的计算的一般性术语,其研究内容一般包括人工神经网络,遗传算法,免疫算法,蚁群算法和粒子群算法等。由于多数的自然计算模型与算法具有普适性强、全局搜索能力强、隐并行、对优化问题性状要求（如连续、可导、可行域为凸等）低等优点,比传统的优化算法更适合于解决复杂的工程优化问题,已经被大量应用在复杂优化问题求解、智能控制、模式识别、网络计算和硬件设计等领域。论文主要对遗传算法、粒子群算法与人工免疫算法及相关优化问题（包括简单优化问题、多模态优化问题和多目标优化问题）做了深入的研究,本文主要贡献如下:1.全面总结了实数和二进制编码条件下佳点集遗传算法交叉算子的设计方法,指出在对实际优化问题无充分的先验知识条件下,均匀分布的初始种群更易于优化解的发掘,在此基础上本文利用佳点理论构造了均匀的初始化种群,并通过圆柱度误差评定实例说明了改进的初始种群对于最优解搜索的有效性。2.针对给定位串长度的二进制编码遗传算法中无法克服二进制编码与实数之间的映射误差,利用二进制编码遗传算法的解从最高位到最低位依次收敛的多米诺现象,提出了含有变焦因子的佳点集遗传算法来变相的增加位串长度以期缩小该映射误差,数值实验结果说明了改进算法在求解精度方面有明显的改善。3.针对多模态函数优化问题,将小生境技术引入到粒子群算法中,建立小生境熵作为群体多样性的量化指标,实时考查进化过程中群体的多样性并调整进化参数;结合数论中的佳点理论,提出一种在解空间使用佳点搜索的群体多样性发掘方法,使得进化过程中群体多样性水平始终保持在设定的阈值之上,从而改善算法的全局搜索能力以期跳出局部最优;在此基础上提出一种旨在找出全部全局最优解和局部最优解的新型串行多群体小生境粒子群算法。数值实验表明,改进的小生境粒子群算法在求解多模态函数优化问题时具有较好的自适应性和收敛性。4.针对多目标优化中解的分布性问题,以免疫克隆算法为框架,引入适应度共享策略,提出了一种新的具有良好分布性保持与收敛性的多目标优化进化算法;算法建立外部群体保存非支配解,以Pareto占优和共享适应度作为外部群体更新与激活抗体选择的双重标准。为了增强算法对决策空间的开发能力,引入佳点搜索方法,在决策空间生成具有均匀散布特征的佳点集。通过标准多目标测试问题实验,与经典的多种多目标进化算法比较,新算法得到的解集在收敛性和分布性方面均具有明显的改善且性能较稳定。
卢红伟[7]（2009）在《基于DSP语音联合降噪系统的研究》文中研究说明语音降噪主要目标是从含噪语音信号中提取纯净的原始语音,是解决噪声污染的一种有效方法。由于语音信号的复杂性和非平稳性,特别是清音没有明显的时域和频域特征,非常类似于白噪声,传统的降噪方法不尽人意,尤其是对宽带噪声的抑制效果不是十分明显。本文首先介绍了遗传算法的基本原理,详细阐述了二进制遗传算法及其操作的具体方案。在此基础上针对FIR数字滤波器的优化设计特点,首次提出了应用改进的变焦遗传算法优化设计FIR滤波器,并通过实例验证了改进的变焦遗传算法具有收敛速度快、解的整体质量较好等优点,由此设计出的FIR数字滤波器优于其他方法设计的结果。其次研究了小波降噪在语音信号处理中的应用。对语音信号按帧进行db6小波4层分解,计算各层能量均值及方差,由方差大小判别噪声和语音,同时根据能量均值判别清音和浊音。然后应用软、硬阈值折衷法对已判别出的各类信号进行小波阈值降噪,去除噪声,最后对去噪后的小波系数重构,得到降噪后的语音信号。在此基础上,本文设计了一种基于FIR滤波与小波降噪相结合的语音联合降噪系统。先应用FIR滤波器滤除语音信号频带外的噪声,再应用小波降噪对语音信号进行端点检测、清浊音判别、阈值去噪。最后应用SEED-DEC6416开发板对语音联合降噪系统进行了仿真设计,并且脱机成功。实验结果表明该联合降噪方法效果明显,尤?玫氖导视τ眉壑怠
陈彬[8]（2009）在《基于遗传算法的数字滤波器的实现》文中研究表明数字滤波器在数字信号处理中占有重要的地位,其优化设计一直受到广大研究者和工程人员的关注。而遗传算法作为一种寻求最优解的搜索算法,可用于模拟生物进化的过程。将遗传算法应用于滤波器优化设计,并通过可编程逻辑器件实现是当前信号处理的研究热点之一。本文首先对遗传算法的机理及其运行过程进行深入分析,详细阐述了遗传操作的具体方案。通过一定的对比实验,突出了应用遗传算法优化设计后滤波器频率响应性能的优越性。其次分别采用DSP Builder和VHDL模块设计实现FIR滤波器。在模块化设计中,完成对整个FIR滤波器的功能模块的划分,以及各个功能模块的VHDL语言编程设计,得到各个模块的仿真结果。通过输入一个合成波验证了FIR数字滤波器实现的良好效果。采用Altera公司的Cyclone飓风II代FPGA开发板,并构建A/D、D/A等外围电路,实现了“硬”滤波功能。将所设计的数字滤波器应用于音频信号的处理,以话音作为输入信号,进行了实际滤波的测试。最后,本文对设计方案进行了分析,针对其不足之处提出了几种可能的解决方案。
赵萌[9]（2009）在《基于单摄像机的三维几何重建方法研究》文中提出传统的三维重建采用的双目或多目视觉方法往往使视觉系统结构复杂、造价相对昂贵、操作复杂、在控制上不易实现。因此,成本低、结构简单易操作的单目视觉方法的研究变得更有必要。本文通过理论分析,提出了一种新的基于单摄像机变焦原理的几何体三维重建方法,并在此基础上进行了图像预处理、冗余数据处理以及仿真验证等内容的研究。首先,通过对传统三维重建过程和透镜成像、光学变焦的研究,在定义的摄像机成像几何模型下利用不同的焦距推导了几何体空间点的三维重建过程,给出了提出的变焦算法下计算空间点三维坐标的计算公式,并通过不同象限内单点的仿真验证了算法的可行性。在图像预处理阶段,采用了分为四阶段的处理方法:通过阈值分割有效地去除了背景噪声的干扰,通过比较选择canny算子检测边缘,用霍夫变换准确地检测所需直线,最后提取出特征点的像素坐标。对于不同的焦距组合产生大量的不同重建结果问题,首先采用传统的遗传算法处理冗余数据,通过遗传操作迭代搜索出最优的重建值。针对算法中的变焦特点,进行了变焦重建算法模型对焦距的敏感度分析,筛选容易造成较大错误影响的焦距组合,在此基础上提出了加权梯度法搜索最优值的方法。最后,通过仿真分析验证了所提出的算法与数据处理方法。在仿真空间立方体转化后的像素坐标上添加高斯白噪声和BM高斯随机噪声模型,通过比较分析确定遗传算法和加权梯度法中未确定的参数,然后比较两种数据处理方法在不同方差下的重建精度,考察两种方法对不同噪声模型的适应性以及运算时间。利用所推导的理论公式完成对处理过的实际图片数据的转换和计算,并且分别用遗传算法和加权梯度法重建出实际立方体顶点的三维坐标,通过定点间的实际距离与重建顶点的距离的比较验证了重建精度。
王高鹏,窦丽华,陈杰,张娟,陈晨[10]（2009）在《一种基于PBIL算法和变焦算法的混合算法》文中提出基于群体的增量学习（PBIL）算法具有运行过程简单、解决问题快速准确的优点.本文采用二进制编码,针对二进制编码的算法从二进制最高位到最低位依次收敛的多米诺现象,提出一种变焦算法用来提高PBIL算法的搜索效率和求解精度.基于多组不同维数的Benchmark函数的仿真结果表明,混合算法具有全局收敛、求解精度及搜索效率高的优点.
二、一种变焦遗传算法（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、一种变焦遗传算法（论文提纲范文）
（1）变焦遗传算法优化变增益模糊ARX模型研究（论文提纲范文）
| 0 引言 |
| 1 改进变焦遗传算法 |
| 2 变增益的模糊ARX模型 |
| 2.1 变增益的模糊ARX模型的建立 |
| 2.2 基于改进变焦遗传算法的模糊辨识方法 |
| 3 对变增益模糊ARX模型的参数优化及精度证明 |
| 3.1 参数优化 |
| 3.2 精度证明 |
| 4 试验仿真分析 |
| 4.1 仿真试验 |
| 4.2 仿真结果分析 |
| 5 结论 |
（2）多目标优化预测控制算法研究及在篦冷机中的应用（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题背景及意义 |
| 1.2 国内外研究现状与分析 |
| 1.2.1 多目标优化预测控制算法研究现状 |
| 1.2.2 预测控制建模方法研究现状 |
| 1.3 主要研究内容及组织结构安排 |
| 第2章 基于梯形区间软约束的多目标优化预测控制算法研究 |
| 2.1 引言 |
| 2.2 多目标优化预测控制算法基础 |
| 2.2.1 模型预测控制策略 |
| 2.2.2 动态矩阵控制 |
| 2.2.3 多目标算法原理 |
| 2.3 梯形区间软约束多目标优化模型预测控制算法构建 |
| 2.3.1 梯形区间软约束的设计 |
| 2.3.2 多目标函数的建立 |
| 2.3.3 梯形区间软约束多目标MPC算法 |
| 2.3.4 参数对算法性能的影响 |
| 2.4 梯形区间软约束多目标MPC算法的性能分析 |
| 2.4.1 梯形区间软约束多目标算法的改进分析 |
| 2.4.2 梯形区间软约束多目标算法的鲁棒性性能分析 |
| 2.5 仿真及分析 |
| 2.5.1 实验仿真 |
| 2.6 本章小结 |
| 第3章 基于变焦遗传算法的模糊ARX模型辨识算法研究 |
| 3.1 引言 |
| 3.2 模糊ARX模型研究 |
| 3.2.1 模糊稳态模型 |
| 3.2.2 ARX动态模型 |
| 3.2.3 模糊ARX模型的建立 |
| 3.3 基于变焦遗传算法的模糊ARX模型 |
| 3.3.1 变焦遗传算法 |
| 3.3.2 基于广义高斯隶属函数的T-S模型 |
| 3.3.3 基于变焦遗传算法的模糊辨识步骤 |
| 3.4 仿真及分析 |
| 3.4.1 实验仿真 |
| 3.4.2 仿真结果分析 |
| 3.5 本章小结 |
| 第4章水泥篦冷机参数辨识及预测控制研究 |
| 4.1 引言 |
| 4.2 水泥篦冷机工作原理 |
| 4.3 水泥篦冷机换热过程参数间关系分析 |
| 4.4 水泥篦冷机参数的模型辨识和控制算法仿真 |
| 4.4.1 水泥篦冷机控制系统架构 |
| 4.4.2 水泥篦冷机主要参数模型辨识过程 |
| 4.4.3 水泥篦冷机参数模型预测控制算法仿真 |
| 4.5 算法仿真和分析 |
| 4.6 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间承担的科研任务与主要成果 |
| 致谢 |
（3）大规模全局优化中的分组技术和局部搜索技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 符号对照表 |
| 缩略语对照表 |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 研究现状 |
| 1.3 本文工作及论文组织结构 |
| 1.4 本章小结 |
| 第二章 相关工作 |
| 2.1 变量相关性 |
| 2.2 差分进化 |
| 2.2.1 差分进化简介 |
| 2.2.2 基于差分进化的改进方法 |
| 2.3 协同进化 |
| 2.4 分组策略 |
| 2.4.1 自适应权重和随机分组 |
| 2.4.2 基于变量相关性学习的大规模全局优化 |
| 2.4.3 基于三角分组的大规模全局优化 |
| 2.4.4 基于差分分组的大规模全局优化 |
| 2.5 本章小结 |
| 第三章 变焦方法和基于偏相关系数的分组方法 |
| 3.1 变焦策略 |
| 3.2 基于变焦方法自适应的带近邻搜索的差分进化 |
| 3.3 基于部分相关系数的分组方法 |
| 3.4 本章小结 |
| 第四章 实验结果与分析 |
| 4.1 基于变焦的测试结果 |
| 4.1.1 测试函数CEC2005简介 |
| 4.1.2 基于测试函数CEC2005的实验结果 |
| 4.2 大规模测试函数实验结果 |
| 4.2.1 测试函数CEC2010简介 |
| 4.2.2 大规模变焦算法实验结果 |
| 4.2.3 一次分组检测算法实验结果 |
| 4.2.4 多次分组检测算法实验结果 |
| 4.3 全局优化的工程应用 |
| 4.4 本章小结 |
| 第五章 结论与展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
（4）基于遗传算法的前馈神经网络结构优化（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 创新点摘要 |
| 第一章 绪论 |
| 1.1 引言 |
| 1.2 遗传算法的研究背景和研究现状 |
| 1.2.1 遗传算法的研究背景 |
| 1.2.2 遗传算法的研究现状 |
| 1.3 神经网络的研究背景和研究现状 |
| 1.3.1 神经网络的研究背景 |
| 1.3.2 神经网络的研究现状 |
| 1.4 选题的目的及意义 |
| 1.5 本文的章节安排 |
| 第二章 遗传算法的理论基础 |
| 2.1 达尔文的生物进化论 |
| 2.2 遗传算法概述 |
| 2.3 遗传算法的基本原理 |
| 2.4 遗传算法的基本操作 |
| 2.4.1 遗传编码 |
| 2.4.2 种群初始化 |
| 2.4.3 适应度函数的设计 |
| 2.4.4 遗传操作 |
| 2.4.5 参数的选择 |
| 第三章 神经网络概述 |
| 3.1 生物神经元 |
| 3.2 人工神经网络 |
| 3.3 神经元的激活函数 |
| 3.4 BP神经网络 |
| 3.4.1 BP网络结构 |
| 3.4.2 BP神经网络的算法推导 |
| 3.4.3 BP神经网络优缺点 |
| 第四章 遗传算法优化BP神经网络结构的研究 |
| 4.1 BP神经网络存在的问题和解决方案 |
| 4.1.1 BP神经网络存在的问题 |
| 4.1.2 BP神经网络的改进 |
| 4.2 BP神经网络的结构设计问题 |
| 4.3 BP神经网络和遗传算法结合的可行性 |
| 4.3.1 BP算法和遗传算法的性能的互补 |
| 4.3.2 一种提高算法效率的变焦遗传算法 |
| 4.3.3 BP神经网络和变焦遗传算法结合的具体方法 |
| 4.4 基于变焦遗传算法的BP神经网络仿真对比 |
| 第五章 基于改进遗传算法的BP网络结构优化 |
| 5.1 改进的遗传算法 |
| 5.1.1 遗传操作的改进 |
| 5.1.2 遗传算法优化BP神经网络结构 |
| 5.2 用MATLAB实现遗传算法 |
| 5.3 改进后的遗传算法优化BP神经网络结构 |
| 5.4 结果分析 |
| 结论 |
| 参考文献 |
| 发表文章目录 |
| 致谢 |
| 详细摘要 |
（5）变焦佳点集遗传算法（论文提纲范文）
| 1 佳点集遗传算法 |
| 1.1 佳点集基本定义与性质 |
| 1.2 佳点集遗传算法 |
| 2 变焦算法 |
| 3 变焦佳点集遗传算法 |
| 4 算法测试 |
| 4.1 一维函数优化问题测试 |
| 4.2 多维函数优化问题测试 |
| 1) Goldstein-Price函数 |
| 2) Generalized Rastrigin’s函数 |
| 3) Branin函数 |
| 4) Six-Hump Camel-Back函数 |
| 结束语 |
（6）自然计算模型在优化问题中的应用研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 目录 |
| 第一章 绪论 |
| 1.1 引言 |
| 1.2 优化问题模型 |
| 1.3 自然计算相关模型与算法 |
| 1.3.1 遗传算法 |
| 1.3.2 粒子群优化算法 |
| 1.3.3 人工免疫算法 |
| 1.4 论文主要内容与结构安排 |
| 第二章 基于佳点理论的均匀初始群体设计 |
| 2.1 佳点集基本定义与性质 |
| 2.2 遗传算法中的佳点交叉算子 |
| 2.2.1 二进制编码条件下的佳点交叉算子 |
| 2.2.2 实数编码条件下的佳点交叉算子 |
| 2.3 基于佳点理论的均匀初始群体设计 |
| 2.4 基于均匀初始化遗传算法的圆柱度误差评定 |
| 2.5 本章小结 |
| 第三章 变焦佳点集遗传算法 |
| 3.1 佳点集遗传算法 |
| 3.2 变焦算法 |
| 3.3 变焦佳点集遗传算法 |
| 3.4 算法测试 |
| 3.4.1 一维函数优化问题测试 |
| 3.4.2 多维函数优化问题测试 |
| 3.5 本章小结 |
| 第四章 面向多模态函数优化的改进小生境粒子群算法 |
| 4.1 标准粒子群算法描述 |
| 4.2 基于小生境熵控制的自适应粒子群算法 |
| 4.2.1 边界动态识别的小生境算法 |
| 4.2.2 小生境熵 |
| 4.2.3 基于佳点搜索的群体多样性发掘方法 |
| 4.2.4 基于小生境熵控制的自适应粒子群算法描述 |
| 4.3 实验与结果分析一 |
| 4.3.1 测试函数 |
| 4.3.2 参数设置 |
| 4.3.3 实验结果与分析 |
| 4.4 串行多群体自适应小生境粒子群算法 |
| 4.5 实验与结果分析二 |
| 4.5.1 测试函数 |
| 4.5.2 参数设置 |
| 4.5.3 实验结果与分析 |
| 4.6 本章小结 |
| 第五章 面向多目标优化的适应度共享免疫克隆算法 |
| 5.1 基本概念 |
| 5.1.1 多目标优化问题数学定义 |
| 5.1.2 免疫克隆选择算法 |
| 5.2 表现型适应度共享策略 |
| 5.3 决策空间佳点搜索方法 |
| 5.4 适应度共享免疫克隆算法 |
| 5.4.1 算法描述 |
| 5.4.2 外部群体更新策略 |
| 5.4.3 算法计算复杂性分析 |
| 5.5 实验设计与结果分析 |
| 5.5.1 测试函数 |
| 5.5.2 算法参数设置 |
| 5.5.3 评价指标 |
| 5.5.4 实验结果与分析 |
| 5.6 本章小结 |
| 结束语 |
| 参考文献 |
| 发表文章 |
| 致谢 |
（7）基于DSP语音联合降噪系统的研究（论文提纲范文）
| 致谢 |
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 选题的背景及意义 |
| 1.2 语音降噪系统研究的历史和现状 |
| 1.3 论文研究的主要工作 |
| 1.4 论文的主要结构 |
| 第二章 基于遗传算法优化的FIR 数字滤波器 |
| 2.1 FIR 数字滤波器 |
| 2.1.1 数字滤波器简介 |
| 2.1.2 FIR 数字滤波器 |
| 2.1.3 频率采样法设计FIR 数字滤波器 |
| 2.2 遗传算法( Genetic Algorithm , GA ) |
| 2.2.1 遗传算法简介 |
| 2.2.2 二进制遗传操作 |
| 2.3 变焦遗传算法( Zooming Genetic Algorithm，ZGA ) |
| 2.4 基于改进的变焦遗传算法FIR 数字滤波器优化设计 |
| 2.4.1 改进的变焦遗传算法 |
| 2.4.2 AP-ZGA 算法优化FIR 数字滤波器 |
| 2.5 本章小结 |
| 第三章 基于小波变换的语音降噪方法 |
| 3.1 语音降噪 |
| 3.1.1 语音信号特性 |
| 3.1.2 噪声特性、分类及其常见降噪方法 |
| 3.1.3 语音降噪的应用现状 |
| 3.2 小波分析理论基础 |
| 3.2.1 小波变换及其时频特性 |
| 3.2.2 正交小波的快速算法 |
| 3.3 基于小波变换的语音降噪 |
| 3.3.1 小波基、阶数和小波分解层数的确定 |
| 3.3.2 语音信号的端点检测 |
| 3.3.3 语音信号的清浊音判别 |
| 3.3.4 语音信号的小波阈值降噪 |
| 3.3.5 仿真实验 |
| 3.4 本章小结 |
| 第四章 基于DSP 语音处理硬件系统设计 |
| 4.1 TMS320C6416 DSP 硬件结构简介 |
| 4.1.1 DSP 概述 |
| 4.1.2 TI TMS320C6416 DSP 处理器简介 |
| 4.2 语音处理硬件系统 |
| 4.2.1 SEED-DEC6416 概述 |
| 4.2.2 SEED-DEC6416 存储空间的主要分配 |
| 4.2.3 TLV320AIC23B 音频输入与输出 |
| 4.3 本章小结 |
| 第五章 语音处理在DSP 实验平台的具体实现 |
| 5.1 DSP 的软件开发环境及开发语言 |
| 5.2 各个模块子程序设计及仿真实验 |
| 5.2.1 基于改进的变焦遗传算法FIR 数字滤波器的实现 |
| 5.2.2 小波变换程序设计 |
| 5.2.3 TMS320C6416 的二次引导 |
| 5.3 语音处理在DSP 实验平台的具体实现 |
| 5.4 本章小节 |
| 第六章 总结与展望 |
| 6.1 论文总结 |
| 6.2 研究展望 |
| 参考文献 |
| 攻读硕士期间发表的论文 |
| 附录一 实验开发平台 |
| 附录二 文中主要程序的实现 |
| 1. 小波分解函数 |
| 2. 小波重构函数 |
| 3. fir 滤波函数 |
| 4. 小波清浊音阈值降噪函数 |
| 5. 背景噪声处理 |
| 6. 清音处理 |
| 7. 浊音处理 |
| 8. 计算各个频带的平均能量和总能量 |
| 9. 方差计算 |
| 10. 计算四个阈值 |
| 11. 均匀初始化种群 |
| 12. 产生随机整数 |
| 13. 贝努力试验概率发生器 |
| 14. 变异操作 |
| 15. 交叉操作 |
| 16. 选择操作 |
| 17. 群体更新操作 |
| 18. 离散傅立叶变换和反变换 |
| 19. 计算数字滤波器的频率响应、幅频响应和相频响应 |
| 20. 二次引导 |
| 详细摘要 |
（8）基于遗传算法的数字滤波器的实现（论文提纲范文）
| 致谢 |
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 课题研究背景 |
| 1.1.1 优化问题与遗传算法 |
| 1.1.2 数字滤波器 |
| 1.1.3 数字信号处理算法的可编程逻辑器件实现 |
| 1.2 课题研究意义 |
| 1.3 研究现状 |
| 1.4 论文结构 |
| 第二章 FIR 数字滤波器 |
| 2.1 FIR 数字滤波器原理及性能指标 |
| 2.1.1 FIR 数字滤波器的原理 |
| 2.1.2 FIR 数字滤波器的性能指标 |
| 2.2 FIR 数字滤波器的设计方法 |
| 2.3 FIR 数字滤波器的基本网络结构 |
| 2.3.1 FIR 数字滤波器的直接型网络结构 |
| 2.3.2 FIR 数字滤波器的线性相位型网络结构 |
| 2.4 本章小结 |
| 第三章 遗传算法 |
| 3.1 遗传算法概述 |
| 3.1.1 遗传算法的产生与发展 |
| 3.1.2 遗传算法的特点 |
| 3.2 遗传算法实现 |
| 3.2.1 基本遗传算法的构成要素 |
| 3.2.2 遗传算法的基本流程 |
| 3.3 模式定理 |
| 3.3.1 模式 |
| 3.3.2 模式定理 |
| 3.4 遗传算法的改进和发展 |
| 3.5 变焦遗传算法在 FIR 数字滤波器中的应用 |
| 3.5.1 变焦遗传算法(Zooming Genetic Algorithms，ZGA) |
| 3.5.2 变焦遗传算法应用于 FIR 数字滤波器及实验结果 |
| 3.6 本章小结 |
| 第四章 FPGA 及硬件描述语言 |
| 4.1 FPGA 的简介 |
| 4.2 FPGA 的原理与结构 |
| 4.3 VHDL 语言简介 |
| 4.3.1 VHDL 语言发展及特点 |
| 4.3.2 VHDL 的程序结构 |
| 4.4 FPGA 设计流程及开发工具 |
| 4.4.1 FPGA 设计流程 |
| 4.4.2 Altera FPGA 开发环境(Quartus II)简介 |
| 4.4.3 Altera DSP Builder 简介 |
| 4.5 FPGA 开发板及核心芯片介绍 |
| 4.6 本章小结 |
| 第五章 FPGA 的数字滤波器的硬件实现 |
| 5.1 滤波器系数的获取 |
| 5.2 DSP Builder 设计 FIR 滤波器 |
| 5.2.1 4 阶 FIR 子系统 |
| 5.2.2 16 阶 FIR 滤波器模型设计 |
| 5.2.3 DSP Builder 输出仿真 |
| 5.3 FIR 数字滤波器的 VHDL 模块设计 |
| 5.3.1 寄存器 |
| 5.3.2 加法器 |
| 5.3.3 减法器 |
| 5.3.4 乘法器 |
| 5.4 VHDL 模块设计的滤波器输出仿真及验证 |
| 5.4.1 滤波器输出仿真 |
| 5.4.2 FIR 数字滤波器的结果验证 |
| 5.5 FIR 数字滤波器的硬件实现 |
| 5.5.1 A/D 采样电路 |
| 5.5.2 D/A 输出电路 |
| 5.5.3 A/D 和 D/A 的 VHDL 描述 |
| 5.5.4 外围电源电路 |
| 5.5.5 系统下载配置及管脚锁定 |
| 5.6 FIR 数字滤波器的应用 |
| 5.7 本章小结 |
| 第六章 结论与展望 |
| 参考文献 |
| 发表论文 |
| 详细摘要 |
（9）基于单摄像机的三维几何重建方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题背景及研究意义 |
| 1.2 研究三维重建的视觉方法概述 |
| 1.2.1 单目视觉 |
| 1.2.2 双目视觉 |
| 1.2.3 多目视觉 |
| 1.3 三维重建的关键技术研究 |
| 1.4 主要的三维重建系统 |
| 1.5 本文主要研究内容 |
| 第2章 单摄像机变焦三维重建模型 |
| 2.1 引言 |
| 2.2 传统三维重建模型 |
| 2.2.1 坐标系与成像模型 |
| 2.2.2 三维重建过程 |
| 2.3 单摄像机变焦三维重建 |
| 2.3.1 坐标系的定义 |
| 2.3.2 变焦三维重建模型 |
| 2.4 空间点的仿真验证 |
| 2.4.1 图像坐标的计算 |
| 2.4.2 仿真验证结果 |
| 2.5 本章小结 |
| 第3章 图像预处理与数据处理 |
| 3.1 引言 |
| 3.2 图像预处理 |
| 3.2.1 阈值分割 |
| 3.2.2 边缘检测 |
| 3.2.3 Hough 变换 |
| 3.2.4 坐标提取 |
| 3.3 数据处理 |
| 3.3.1 遗传算法 |
| 3.3.2 加权梯度法 |
| 3.4 本章小结 |
| 第4章 仿真与实验结果分析 |
| 4.1 引言 |
| 4.2 仿真空间立方体 |
| 4.3 遗传算法处理仿真数据 |
| 4.3.1 遗传算法中可调参数的确定 |
| 4.3.2 高斯正态分布白噪声模型 |
| 4.3.3 Box-Muller 算法高斯随机噪声模型 |
| 4.4 加权法处理仿真数据 |
| 4.4.1 加权法中加权指数的确定 |
| 4.4.2 高斯正态分布白噪声模型 |
| 4.4.3 Box-Muller 算法高斯随机噪声模型 |
| 4.4.4 数据处理算法的必要性 |
| 4.5 实验结果 |
| 4.6 本章小结 |
| 结论 |
| 参考文献 |
| 致谢 |
（10）一种基于PBIL算法和变焦算法的混合算法（论文提纲范文）
| 1 引 言 |
| 2 基于群体的增量学习算法 |
| 3 变焦算法 |
| 4 混合算法 |
| 4.1 混合算法的流程图 |
| 4.2 多变量数值空间上的混合算法 |
| 5 对混合算法的测试 |
| 5.1 对单维函数优化问题的测试 |
| 1) f1 (x) =|16- (x-6) 2sinx|, x∈[0, 16], 最优解为 |
| 2) f2 (x) =|cos (7πx) |-2 (x-0.45) 2, x∈[0, 1], 最优解为 |
| 5.2 对二维函数优化问题的测试 |
| 5.2.1 测试方案设计 |
| 1) Goldstein-Price函数: |
| 2) Generalized Rastrigin's函数: |
| 3) Branin函数: |
| 4) Six-Hump Camel-Back函数: |
| 5.2.2 参数选取 |
| 5.2.3 测试结果 |
| 6 结 束 语 |
四、一种变焦遗传算法（论文参考文献）
- [1]变焦遗传算法优化变增益模糊ARX模型研究[J]. 刘冲,宋智星,刘彬. 自动化仪表, 2020(02)
- [2]多目标优化预测控制算法研究及在篦冷机中的应用[D]. 顾昕峰. 燕山大学, 2018(05)
- [3]大规模全局优化中的分组技术和局部搜索技术研究[D]. 张琛. 西安电子科技大学, 2016(01)
- [4]基于遗传算法的前馈神经网络结构优化[D]. 王磊. 东北石油大学, 2013(12)
- [5]变焦佳点集遗传算法[J]. 彭勇,林浒,卜霄菲. 计算机科学, 2010(11)
- [6]自然计算模型在优化问题中的应用研究[D]. 彭勇. 中国科学院研究生院（沈阳计算技术研究所）, 2010(04)
- [7]基于DSP语音联合降噪系统的研究[D]. 卢红伟. 南京林业大学, 2009(02)
- [8]基于遗传算法的数字滤波器的实现[D]. 陈彬. 南京林业大学, 2009(02)
- [9]基于单摄像机的三维几何重建方法研究[D]. 赵萌. 哈尔滨工业大学, 2009(S2)
- [10]一种基于PBIL算法和变焦算法的混合算法[J]. 王高鹏,窦丽华,陈杰,张娟,陈晨. 模式识别与人工智能, 2009(01)