针对传统最大似然波达方向(maximum likelihood direction of arrival,ML-DOA)估计存在计算量大、估计精度差等问题,本文提出一种采用改进帝王蝶优化算法(improved monarch butterfly optimization algorithm,IMBO)的ML-DOA估计方法。I...针对传统最大似然波达方向(maximum likelihood direction of arrival,ML-DOA)估计存在计算量大、估计精度差等问题,本文提出一种采用改进帝王蝶优化算法(improved monarch butterfly optimization algorithm,IMBO)的ML-DOA估计方法。IMBO算法通过精英反向学习策略对初始帝王蝶种群进行优化,得到适应度值较优的初始帝王蝶个体,进而能够改善帝王蝶种群的多样性;引入差分进化算法启发的变异操作以及自适应策略对帝王蝶个体的寻优方式进行改进,扩大了算法的搜索空间;引入了高斯-柯西变异算子,自适应调整变异步长,避免算法陷入局部最优。将IMBO应用于ML-DOA,实验表明,与传统的DOA估计算法相比,在不同信源数目、信噪比以及种群数量下,本文提出的算法收敛性能更好,均方根误差更低,运算量更小。展开更多
针对将连续域蚁群优化算法应用于最大似然(maximum likelihood,ML)估计中存在计算量过大的问题,提出一种基于改进蚁群优化(modified ant colony optimization,MACO)算法的最大似然波达方向(maximum likelihood direction of arrival,ML-...针对将连续域蚁群优化算法应用于最大似然(maximum likelihood,ML)估计中存在计算量过大的问题,提出一种基于改进蚁群优化(modified ant colony optimization,MACO)算法的最大似然波达方向(maximum likelihood direction of arrival,ML-DOA)估计方法.采用精英反向学习策略获得较优初始解群体,结合全局跨邻域搜索和高斯核函数局部搜索对蚁群的寻优方式进行优化,扩大了算法的搜索空间并加快了收敛速度,最终得到ML估计方法的非线性全局最优解.仿真结果表明,与基于粒子群优化(particle swarm optimization,PSO)算法、蚁群优化(ant colony optimization,ACO)算法的ML估计方法相比,ML-MACO算法的收敛速度是ML-ACO算法的4倍,计算量是ML-ACO算法的1/3,分辨成功率高于ML-PSO算法和ML-ACO算法,估计误差小于ML-PSO算法和ML-ACO算法.ML-MACO算法以更低的计算量保持了ML算法的优良估计性能,收敛性能更优且估计精度更高.展开更多
针对空气中温度差值难以捕捉的问题,以空气中温度分布的可视化作为研究对象,采用基于最大事后概率的最大似然估计算法,研究空气中温度分布图像化问题。可视化测量系统中,在被测区域设置32个收发分离的超声波换能器,基于一发多收模式实...针对空气中温度差值难以捕捉的问题,以空气中温度分布的可视化作为研究对象,采用基于最大事后概率的最大似然估计算法,研究空气中温度分布图像化问题。可视化测量系统中,在被测区域设置32个收发分离的超声波换能器,基于一发多收模式实现渡越超声信号数据采集,通过实验获取16×16=256个渡越时间参数TOF(Time of Flight)。实验系统采用测量角度插补与渡越时间参数平行插补两种方法进一步补充成像所需渡越时间参数,确保重建图像可读性。对实验数据进行了基于最大似然估计算法的超声波CT图像重建,重建图像结果能成功分辨空气场温度值差异。实验结果表明,基于最大似然估计算法实现空气中温度差异可视化的有效性。展开更多
文摘针对传统最大似然波达方向(maximum likelihood direction of arrival,ML-DOA)估计存在计算量大、估计精度差等问题,本文提出一种采用改进帝王蝶优化算法(improved monarch butterfly optimization algorithm,IMBO)的ML-DOA估计方法。IMBO算法通过精英反向学习策略对初始帝王蝶种群进行优化,得到适应度值较优的初始帝王蝶个体,进而能够改善帝王蝶种群的多样性;引入差分进化算法启发的变异操作以及自适应策略对帝王蝶个体的寻优方式进行改进,扩大了算法的搜索空间;引入了高斯-柯西变异算子,自适应调整变异步长,避免算法陷入局部最优。将IMBO应用于ML-DOA,实验表明,与传统的DOA估计算法相比,在不同信源数目、信噪比以及种群数量下,本文提出的算法收敛性能更好,均方根误差更低,运算量更小。
文摘针对将连续域蚁群优化算法应用于最大似然(maximum likelihood,ML)估计中存在计算量过大的问题,提出一种基于改进蚁群优化(modified ant colony optimization,MACO)算法的最大似然波达方向(maximum likelihood direction of arrival,ML-DOA)估计方法.采用精英反向学习策略获得较优初始解群体,结合全局跨邻域搜索和高斯核函数局部搜索对蚁群的寻优方式进行优化,扩大了算法的搜索空间并加快了收敛速度,最终得到ML估计方法的非线性全局最优解.仿真结果表明,与基于粒子群优化(particle swarm optimization,PSO)算法、蚁群优化(ant colony optimization,ACO)算法的ML估计方法相比,ML-MACO算法的收敛速度是ML-ACO算法的4倍,计算量是ML-ACO算法的1/3,分辨成功率高于ML-PSO算法和ML-ACO算法,估计误差小于ML-PSO算法和ML-ACO算法.ML-MACO算法以更低的计算量保持了ML算法的优良估计性能,收敛性能更优且估计精度更高.
文摘针对空气中温度差值难以捕捉的问题,以空气中温度分布的可视化作为研究对象,采用基于最大事后概率的最大似然估计算法,研究空气中温度分布图像化问题。可视化测量系统中,在被测区域设置32个收发分离的超声波换能器,基于一发多收模式实现渡越超声信号数据采集,通过实验获取16×16=256个渡越时间参数TOF(Time of Flight)。实验系统采用测量角度插补与渡越时间参数平行插补两种方法进一步补充成像所需渡越时间参数,确保重建图像可读性。对实验数据进行了基于最大似然估计算法的超声波CT图像重建,重建图像结果能成功分辨空气场温度值差异。实验结果表明,基于最大似然估计算法实现空气中温度差异可视化的有效性。
