CN101068108A - 基于遗传算法的正交镜像滤波器组实现方法及装置 - Google Patents
基于遗传算法的正交镜像滤波器组实现方法及装置 Download PDFInfo
- Publication number
- CN101068108A CN101068108A CN 200710119030 CN200710119030A CN101068108A CN 101068108 A CN101068108 A CN 101068108A CN 200710119030 CN200710119030 CN 200710119030 CN 200710119030 A CN200710119030 A CN 200710119030A CN 101068108 A CN101068108 A CN 101068108A
- Authority
- CN
- China
- Prior art keywords
- gene
- fitness
- probability
- character string
- highest
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 41
- 230000002068 genetic effect Effects 0.000 title claims abstract description 40
- 238000000034 method Methods 0.000 title claims abstract description 38
- 108090000623 proteins and genes Proteins 0.000 claims abstract description 206
- 238000005457 optimization Methods 0.000 claims description 23
- 238000012545 processing Methods 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 12
- 230000003044 adaptive effect Effects 0.000 abstract 3
- 229910002056 binary alloy Inorganic materials 0.000 abstract 1
- 230000006870 function Effects 0.000 description 12
- UELITFHSCLAHKR-UHFFFAOYSA-N acibenzolar-S-methyl Chemical compound CSC(=O)C1=CC=CC2=C1SN=N2 UELITFHSCLAHKR-UHFFFAOYSA-N 0.000 description 11
- 210000004027 cell Anatomy 0.000 description 11
- 238000010586 diagram Methods 0.000 description 8
- 210000000349 chromosome Anatomy 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000015572 biosynthetic process Effects 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004083 survival effect Effects 0.000 description 3
- 238000003786 synthesis reaction Methods 0.000 description 3
- 101150044345 0.5 gene Proteins 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 230000013011 mating Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 101150039622 so gene Proteins 0.000 description 1
- 238000004804 winding Methods 0.000 description 1
Images
Landscapes
- Complex Calculations (AREA)
Abstract
本发明公开了一种基于遗传算法的正交镜像滤波器组的实现方法及其装置,本发明方法包括:随机生成多组代表正交镜像滤波器组参数的随机数,并根据当前的基因选择概率将每组随机数编码为有限长度的二进制字符串;解码每个字符串并计算适应度,根据计算出的适应度最高的字符串的基因型更新所述基因选择概率;重复执行上述步骤,直到满足结束条件;将历代以来适应度最高的字符串进行解码,得到所述正交镜像滤波器组的参数,并采用所述参数实现正交镜像滤波器组。采用本发明,可以减小系统幅频特性在滤波器组的相邻子带的过渡区域的失真,同时相比现有的遗传算法,可以大大降低算法的存储量和复杂度。
Description
技术领域
本发明涉及遗传算法技术,尤其涉及一种基于遗传算法的正交镜像滤波器组的实现方法及正交镜像滤波器组参数的优化装置。
背景技术
遗传算法(Genetic Algorithms,GA)是模拟生物学中自然遗传和达尔文进化理论而提出的并行随机优化算法,其目的是为了获取最优解。在遗传算法中,优化问题的所有参数都被编码,形成一个有限长二进制字符串,并把该字符串称为“个体”。生物界中生物个体的基本遗传单位是基因,遗传基因按一定顺序排列成为染色体,在遗传算法中,染色体对应于表示个体的有限长字符串,而遗传基因对应于字符串的每个比特位的值,一般为0或1,即用二进制字符串表示。所有“个体”的集合成为群体。“群体”中每个“个体”对应于优化问题的一个可行解。优化问题的目标函数作为群体所处的环境,而目标函数值对应于个体对环境的适应度。根据达尔文最适者生存的进化理论,群体中的个体进行生存斗争,对环境适应度高的个体生存下来,同时进行交配(即交叉运算)和变异(即突然变异运算)繁殖后代,而对环境适应度低的个体逐渐被群体所淘汰。交叉运算是以某个比特位为交叉点,将两个个体的染色体上的部分基因互换,这样,如果两个适应度高的亲本互换遗传信息后,生成的后代,就有可能具有更好的适应度;突然变异运算是根据一定的概率,将个体染色体上某一位置的基因进行摄动,使其变为对立基因。基因为1的对立基因为0,反之亦然。如此一代代地进化,最后整个群体就会最适应于所处的环境,从而求出问题的最优解。
参见图1,为现有技术中将遗传算法应用于最优化问题的示意图,GA应用于最优化问题一般包括如下步骤:
步骤101、根据最优化问题的指标,设定参数,为参数编码,同时随机初始化第0代群体中的每个个体;
步骤102、判断是否满足最优化问题的指标要求或达到预先设定的世代数,若是,则执行步骤106,否则执行步骤103;
步骤103、对每个个体进行解码并计算每个个体的适应度;
步骤104、让群体中的个体进行生存斗争,优胜劣汰,从而选出一定数量的适应度高的个体;
步骤105、对群体中选出的个体进行交叉和突然变异运算,以产生新一代的个体,并返回步骤102;
步骤106、当满足最优化问题的指标要求或达到预先设定的世代数时,对适应度最高的个体进行解码,从而求出适应度最高的个体。
遗传算法已用于求解带有应用前景的一些问题,例如QMF(QuadratureMirror Filter,正交镜像滤波器)组设计、函数优化、计算机图像处理和机器人运动规划等等。
QMF组是具有一个共同输入信号或者一个共同输出信号的一组滤波器。其中具有一个共同输入信号和K个输出信号的滤波器组称为分析滤波器组;反之,具有K个输入信号和一个输出信号的滤波器组称为综合滤波器组。在分析滤波器组一侧,输入信号(设为宽带信号)被分成K个子频带信号(窄带信号),通过抽取可降低采样率;在综合滤波器一侧,通过零值内插和带通滤波,可以重建原来的信号。
现有的遗传算法中,对每一次迭代过程产生的个体都要进行存储并进行交叉和变异运算,因此存在计算量大,存储量大的问题,不利于算法的实时实现。因此将这种遗传算法应用于QMF组时,会使QMF组重建误差加大,产生较大的幅度失真。
发明内容
本发明提供了一种基于遗传算法的正交镜像滤波器组实现方法,以实现减小幅度失真,该方法包括如下步骤:
随机生成多组代表正交镜像滤波器组参数的随机数,并根据当前的基因选择概率将每组随机数编码为有限长度的二进制字符串;解码每个字符串并计算适应度,根据计算出的适应度最高的字符串的基因型更新所述基因选择概率;
重复执行上述步骤,直到满足结束条件;
将历代以来适应度最高的字符串进行解码,得到所述正交镜像滤波器组的参数,并采用所述参数实现正交镜像滤波器组。
本发明还提供了一种正交镜像滤波器组参数的优化装置,该装置包括:
随机数生成单元,用于随机生成多组代表正交镜像滤波器组参数的随机数;
基因编码单元,用于根据基因选择概率更新单元中当前的基因选择概率,将所述随机数生成单元生成的每组随机数编码为有限长度的二进制字符串;
适应度计算单元,用于解码所述基因编码单元中的所述二进制字符串并计算适应度,并将计算出的最高适应度的二进制字符串存储到所述存储单元;
存储单元,用于存储历代以来适应度最高的二进制字符串;
基因选择概率更新单元,用于根据所述适应度计算单元计算出的最高适应度的二进制字符串的基因型更新基因选择概率,并向所述判断处理单元发送判断指令;
判断处理单元,用于根据所述判断指令,判断是否满足结束条件,若是,则将所述存储单元中具有最高适应度的二进制字符串进行解码,得到所述正交镜像滤波器组的参数;否则,启动所述随机数生成单元生成随机数。
本发明通过在实现正交镜像滤波器组的过程中,采用基因选择概率编码代表正交镜像滤波器组参数的随机数,从而生成二进制字符串,并通过更新基因选择概率,使其向上一代适应度最高的个体基因型倾斜,从而使以基因选择概率编码后的字符串继承上一代的优秀基因,并通过历代以来的最高适应度的字符串解码得到正交镜像滤波器组的参数。由此可见,本发明中不需记录所有世代的字符串基因型,而只要记录每代中最高适应度的基因型,因此可减少计算所需存储量;并且,本发明中不需对字符串进行交叉和变异运算,从而简化了实现过程。因此有利于参数优化的实时实现,并由此减小了正交镜像滤波器组的幅度失真。
附图说明
图1为现有技术中将遗传算法应用于最优化问题的示意图;
图2为本发明实施例的遗传算法的流程示意图;
图3为本发明实施例的2通道QMF组原理示意图;
图4为本发明实施例的基于遗传算法的QMF组实现流程示意图;
图5A和图5B为本发明实施例的基于遗传算法的QMF组参数优化装置结构示意图。
具体实施方式
下面结合附图对本发明实施例进行详细描述。
为了使QMF组接近准确重建的目标,可以通过优化幅度失真算法,以减小QMF组重建误差,达到接近准确重建的目标。本发明实施例提供了一种基于遗传算法的QMF组实现方法,从而达到最小化重建误差的目的。
参见图2,为本发明实施例的遗传算法的流程示意图,具体步骤包括:
步骤201、初始化过程,包括设置基因选择概率初始值和基因选择概率的调整值。
初始时,所有比特位上的基因选择“1”的概率都是Pi=0.5(即取“1”或“0”是等概率的,本实施例中的基因选择概率值为选择1的概率值,i为基因链中的第i个基因)。基因选择概率的调整值可以根据种群规模以及迭代次数进行设置,原则是保证合适的收敛速度,本实施例中的基因选择概率的调整值设置为ε。
本实施例依据世代数控制迭代次数,即,将进化代数作为是否结束计算的判断条件,因此在初始化过程中还需设置世代数的初始值和阈值。世代数的初始值可以设置为0,世代数的阈值可根据种群规模,以及需要的计算精度进行设置。
步骤202、判断当前的世代数是否达到世代数阈值,若没达到,则执行步骤203;否则,执行步骤207。
步骤203、根据当前的基因选择概率以及种群规模,随机生成若干个体。
例如,根据种群规模生成N组随机数,每组随机数个数为M,随机数的范围为0~1。其中,一组随机数代表一个个体,N组随机数表示生成了N个个体;M代表每个个体的基因个数。
步骤204、根据当前的基因选择概率和上述步骤中产生的随机数,对当前代的个体的基因进行编码。编码的目的是为了将随机数用比特值0或1表示,也就是将每组随机数变换为M位的二进制字符串。
例如,某个个体生成的随机数序列为R={r[0],r[1],...,r[M-1]},编码后的二进制序列为R’={r’[0],r’[1],...,r’[M-1]},则根据基因选择概率P为该个体的编码方法是:
如果r[i]<P[i],则:r’[i]=1;
反之:r’[i]=0,i=0~M-1
因为r[i]是在0~1之间的随机数,因此基因选择概率P[i]越接近1,则该随机数越有可能被编码为1。
若当前代个体为第一代个体,则所有比特位上的基因选择概率都是Pi=0.5,这样,当使用基因选择概率对当前代个体的基因进行编码时,则基因选择概率对每个基因位被编码为1或0将是等概率的。
若当前代个体为第二代以后的个体,则基因选择概率有可能与初始值不同,即有些基因位的选择概率可能大于0.5,而有些基因位的选择概率可能小于0.5,这样,当使用基因选择概率对当前代个体的基因进行编码时,对于基因选择概率大于0.5的基因位,则该基因位被编码为1的概率就会增加,并且该基因位的基因选择概率越大,则该基因位被编码为1的可能性也越大。同理,对于基因选择概率小于0.5的基因位,则该基因位被编码为0的概率就会增加,并且该基因位的基因选择概率越小,则该基因位被编码为0的可能性越大。
经过这样的编码过程,可以使上述步骤中随机生成的个体更接近于由基因选择概率决定的优秀个体。
步骤205、根据目标函数计算每个个体的适应度。
根据遗传算法与最优化问题的对应关系进行解码,计算每个个体的适应度。
步骤206、根据当前代个体中适应度最高的个体的基因型,调整更新基因选择概率,并将世代数加一,然后返回步骤202,继续进行迭代计算。
当前代个体中适应度最高的个体即为当前代的最优个体,保存该最优个体。根据当前代最优个体的基因型更新基因的选择概率,即以最优个体的基因型为参照,所有比特位的基因选择概率向其倾斜。
例如,最优个体的第i个基因位的基因型为‘1’,则让该基因位选择概率偏向它,即修改Pi,使得这个基因位选择‘1’的概率为Pi=Pi+ε,其中ε是基因选择概率的调整值,是一个小量,这样在生成后代的个体时,这个基因位选‘1’的概率就会增大;同样,如果最优个体的某个基因位为‘0’,则让这个基因位选择‘1’的概率为Pi=Pi-ε,按照上述方法,将所有基因位的选择概率Pi都作更新。
步骤207、当世代数大于或等于设置的世代数阈值时,将保存的历代最优个体中适应度最高的个体进行基因解码,得到最优解。
从上述流程可以看出,通过更新基因选择概率,并用更新后的基因选择概率编码随机生成的个体基因位,使优秀的基因型被更好的继承,不好的基因型逐渐被淘汰,这样,经过若干代后,每个基因位的选择概率就会收敛到1或0,此时迭代工作就可以结束。各代最优个体的全局最优个体便对应问题的最优解。
上述流程中没有存储每一代所有个体的基因链码,而是只保存当代个体中适应度最高的个体基因链码,从而减小了存储量。由于不记录每一代所有个体的基因,因而交叉和变异不能实现。但是,考虑到交叉的目的是使后代继承双亲的优良特性,从而使生物群体向着适应度高的方向发展;变异的目的是避免生物“早熟”,即过早陷于次优遗传特性。在上述流程中,交叉和变异的作用是由基因选择概率代替完成的,由于在产生新一代生物个体前,基因选择概率都会向上一代最优生物个体基因型倾斜,因而有利于新一代生物个体在一定程度上继承上一代的优良特性。使得生物群体向着适应度高的方向发展。同时,基因选择概率向最优生物个体倾斜,其中最优生物个体是上一代的最优生物个体,而不是历代以来的最优生物个体,因此,虽然上一代的最优生物个体的适应度可能比历代以来的最优生物个体的适应度低,但是却尽量减小了用历代以来的最优生物个体作为每一代基因选择概率的倾斜参照所造成的容易过早收敛到局部最优解的问题。由此可见,基因选择概率的作用完全可以替代交叉和变异,并且可以大大降低运算复杂度和存储容量要求。
本实施例以2通道QMF组为例,描述采用上述改进的遗传算法实现QFM组的过程。如图3所示的2通道QFM组的原理图中,H0和H1组成分析滤波器组,F0和F1组成综合滤波器组:根据一般QMF组设计方法,可以得出2QMF的各个滤波器函数的关系:
对应的2QMF滤波器的时域系数为:
将改进的遗传算法应用于QMF组设计,即在一般QMF组设计方法的基础上,进一步利用上述的改进遗传算法进行参数优化,以达到最小化重建误差的目的。
参见图4、为本发明实施例中基于改进的遗传算法的QMF组的实现流程示意图,具体步骤包括:
步骤401、定义遗传最优化问题的目标函数(反映误差),其中,
重建误差为:
通带误差为:
阻带误差为:
其中H0,H1的频率特性均已归一化,ωd为滤波器过度带宽。
目标函数为:Φ=αΦ1+βΦ2+γΦ3,其中α+β+γ=1,为加权因子。
步骤402、定义利用上述改进的遗传算法进行优化的待优化参数。
本实施例中,设定QMF组滤波器h0系数为需要利用改进的遗传算法进行优化的待优化参数。
步骤403、遗传算法的初始化过程。
遗传算法的初始化过程同图2中的步骤201,本实施例中初始化的参数包括:初始化基因选择概率P[i]=0.5,i=0~M-1,M为每个个体基因个数。
例如,QMF组滤波器h0系数长度为L,每个系数用8bit进行量化,则总共需要的bit数即为M=8L,即h0个体的基因串中,按顺序每8个基因可以解码出h0的一个系数。
如果以世代数作为计算终结的判断条件,则在初始化过程中需要设置世代数初值和阈值;如果以目标函数值是否达到一定的阈值作为计算终结的判断条件,则在初始化过程中需要设置目标函数值阈值。
步骤404、判断是否满足目标函数值要求或达到预先设定的世代数,若满足或达到,则执行步骤408;否则执行步骤405。
步骤405、随机生成一定组数的随机数,每组随机数的个数为M,每组随机数代表一个个体,并对这些个体进行编码。
根据产生的随机数和基因选择概率,为这一代生物基因进行编码,编码后产生一个长度为M的二进制字符串,编码方法同图2所示的流程。
步骤406、解码二进制字符串并计算每个个体的适应度的过程。
根据参数取值范围,对每个个体进行解码,得到每个个体对应的h0,通过式3.2求得h1,f0,f1,进而可以根据步骤401中给出的目标函数,计算出每个个体的适应度,即反映误差的目标函数值。
步骤407、个体进化以及更新基因选择概率的过程。
根据当代适应度最高的生物的基因类型,更新基因选择概率P[i],基因选择概率的更新方法同图2流程的描述。如果是以世代数作为计算终结的判断条件,则还要对世代数加一。然后返回步骤404。
步骤408、对历代以来适应度最高的个体进行解码,从而求出滤波器的系数,并执行后续的QMF组实现的过程。
由于上述流程中采用的遗传算法是一种解决最优化问题的算法,针对QMF组的设计应用,通过最优化参数来得到问题的最优解。遗传算法需要优化的参数是滤波器系数,遗传算法的适应度和滤波器组的幅度失真相关。即适应度越高,幅度失真越小。因此,当采用这种遗传算法得到了最高适应度的基因型时,即得到了使得QMF组幅度失真最小的滤波器系数。
本发明实施例还提供了两种QMF组参数的优化装置。
参见图5A,为本发明实施例的基于遗传算法的QMF组参数优化装置结构示意图,该装置包括:随机数生成单元、基因编码单元、适应度计算单元、存储单元、基因选择概率更新单元、判断处理单元和计数单元。
随机数生成单元用于随机生成多组代表正交镜像滤波器组参数的随机数,并通知计数单元将计数值加一;
基因编码单元用于根据基因选择概率更新单元中当前的基因选择概率,将随机数生成单元生成的每组随机数编码为有限长度的二进制字符串;
适应度计算单元用于解码基因编码单元中的二进制字符串并计算适应度,并将计算出的最高适应度的二进制字符串存储到存储单元;
存储单元用于存储历代以来适应度最高的二进制字符串;
基因选择概率更新单元用于根据适应度计算单元计算出的最高适应度的二进制字符串的基因型更新基因选择概率,并向判断处理单元发送判断指令。基因选择概率更新单元中的每个基因位的初始基因选择概率为0.5。基因选择概率更新单元更新基因选择概率时,将每个基因位的基因选择概率向适应度计算单元计算出的适应度最高的字符串中相应基因位的基因值倾斜,例如,若当前适应度最高的字符串中相应的基因位的基因值为1,则基因选择概率更新单元将对应基因位的基因选择概率增加指定的数值;若当前适应度最高的字符串中相应的基因位的基因值为0,则基因选择概率更新单元将对应基因位的基因选择概率减少指定的数值;或者,若当前适应度最高的字符串中相应的基因位的基因值为1,则基因选择概率更新单元将对应基因位的基因选择概率减少指定的数值;若当前适应度最高的字符串中相应的基因位的基因值为0,则基因选择概率更新单元将对应基因位的基因选择概率增加指定的数值。
判断处理单元用于根据基因选择概率更新单元发送的判断指令,读取计数单元中的计数值,若计数值大于或等于预先设置的阈值,则判断当前已经满足结束条件,则将存储单元中具有最高适应度的二进制字符串进行解码,得到正交镜像滤波器组的参数;若计数值小于预先设置的阈值,则启动随机数生成单元生成新一代的随机数。
参见图5B,为本发明实施例提供的另一种基于遗传算法的QMF组参数优化装置结构示意图,该装置包括:随机数生成单元、基因编码单元、适应度计算单元、存储单元、基因选择概率更新单元、判断处理单元和适应度比较单元。
随机数生成单元用于随机生成多组代表正交镜像滤波器组参数的随机数;
基因编码单元用于根据基因选择概率更新单元中当前的基因选择概率,将随机数生成单元生成的每组随机数编码为有限长度的二进制字符串;
适应度计算单元用于解码基因编码单元中的二进制字符串并计算适应度,并将计算出的最高适应度的二进制字符串存储到存储单元;
存储单元用于存储历代以来适应度最高的二进制字符串;
适应度比较单元用于将适应度计算单元计算出的适应度最高的二进制字符串的适应度与预设的适应度阈值进行比较;
基因选择概率更新单元用于根据适应度计算单元计算出的最高适应度的二进制字符串的基因型更新基因选择概率,并向判断处理单元发送判断指令。基因选择概率更新单元中的每个基因位的初始基因选择概率为0.5。基因选择概率更新单元更新基因选择概率时,将每个基因位的基因选择概率向适应度计算单元计算出的适应度最高的字符串中相应基因位的基因值倾斜,例如,若当前适应度最高的字符串中相应的基因位的基因值为1,则基因选择概率更新单元将对应基因位的基因选择概率增加指定的数值;若当前适应度最高的字符串中相应的基因位的基因值为0,则基因选择概率更新单元将对应基因位的基因选择概率减少指定的数值;或者,若当前适应度最高的字符串中相应的基因位的基因值为1,则基因选择概率更新单元将对应基因位的基因选择概率减少指定的数值;若当前适应度最高的字符串中相应的基因位的基因值为0,则基因选择概率更新单元将对应基因位的基因选择概率增加指定的数值。
判断处理单元用于根据基因选择概率更新单元发送的判断指令,读取适应度比较单元的比较结果,若最高适应度等于或大于预先设置的适应度阈值,则判断当前已经满足结束条件,则将存储单元中具有最高适应度的二进制字符串进行解码,得到正交镜像滤波器组的参数;若最高适应度小于预设的适应度阈值,则启动随机数生成单元生成新一代的随机数。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (11)
1、一种基于遗传算法的正交镜像滤波器组的实现方法,其特征在于,包括如下步骤:
随机生成多组代表正交镜像滤波器组参数的随机数,并根据当前的基因选择概率将每组随机数编码为有限长度的二进制字符串;解码每个字符串并计算适应度,根据计算出的适应度最高的字符串的基因型更新所述基因选择概率;
重复执行上述步骤,直到满足结束条件;
将历代以来适应度最高的字符串进行解码,得到所述正交镜像滤波器组的参数,并采用所述参数实现正交镜像滤波器组。
2、如权利要求1所述的方法,其特征在于,每个基因位的初始基因选择概率为0.5。
3、如权利要求1所述的方法,其特征在于,根据计算出的当前适应度最高的字符串的基因型更新所述基因选择概率的过程,包括步骤:
将每个基因位的基因选择概率向所述当前适应度最高的字符串中相应基因位的基因值倾斜。
4、如权利要求3所述的方法,其特征在于,若当前适应度最高的字符串中相应的基因位的基因值为1,则将对应基因位的基因选择概率增加指定的数值;若当前适应度最高的字符串中相应的基因位的基因值为0,则将对应基因位的基因选择概率减少指定的数值;
或者,若当前适应度最高的字符串中相应的基因位的基因值为1,则将对应基因位的基因选择概率减少指定的数值;若当前适应度最高的字符串中相应的基因位的基因值为0,则将对应基因位的基因选择概率增加指定的数值。
5、如权利要求1所述的方法,其特征在于,所述结束条件为是否到达预设的世代数阈值,或者为是否达到预设的适应度阈值。
6、一种基于遗传算法的正交镜像滤波器组参数优化装置,其特征在于,包括:随机数生成单元、基因编码单元、适应度计算单元、存储单元、基因选择概率更新单元和判断处理单元,其中
随机数生成单元,用于随机生成多组代表正交镜像滤波器组参数的随机数;
基因编码单元,用于根据基因选择概率更新单元中当前的基因选择概率,将所述随机数生成单元生成的多组随机数分别编码为有限长度的二进制字符串;
适应度计算单元,用于解码所述基因编码单元中的所述二进制字符串并计算适应度,并将计算出的最高适应度的二进制字符串存储到所述存储单元;
存储单元,用于存储历代以来适应度最高的二进制字符串;
基因选择概率更新单元,用于根据所述适应度计算单元计算出的最高适应度的二进制字符串的基因型更新基因选择概率,并向所述判断处理单元发送判断指令;
判断处理单元,用于根据所述判断指令,判断是否满足结束条件,若是,则将所述存储单元中具有最高适应度的二进制字符串进行解码,得到所述正交镜像滤波器组的参数;否则,启动所述随机数生成单元生成随机数。
7、如权利要求6所述的装置,其特征在于,所述基因选择概率更新单元中的每个基因位的初始基因选择概率为0.5。
8、如权利要求6所述的装置,其特征在于,所述基因选择概率更新单元将每个基因位的基因选择概率向所述适应度计算单元计算出的适应度最高的字符串中相应基因位的基因值倾斜。
9、如权利要求8所述的装置,其特征在于,若当前适应度最高的字符串中相应的基因位的基因值为1,则所述基因选择概率更新单元将对应基因位的基因选择概率增加指定的数值;若当前适应度最高的字符串中相应的基因位的基因值为0,则所述基因选择概率更新单元将对应基因位的基因选择概率减少指定的数值;
或者,若当前适应度最高的字符串中相应的基因位的基因值为1,则所述基因选择概率更新单元将对应基因位的基因选择概率减少指定的数值;若当前适应度最高的字符串中相应的基因位的基因值为0,则所述基因选择概率更新单元将对应基因位的基因选择概率增加指定的数值。
10、如权利要求6所述的装置,其特征在于,还包括:
计数单元,用于对所述随机数生成单元生成随机数的次数进行计数;
所述判断处理单元在所述计数单元的计数值大于或等于预设的次数阈值时,判断满足结束条件。
11、如权利要求6所述的装置,其特征在于,还包括:
适应度比较单元,用于将所述适应度计算单元计算出的适应度最高的二进制字符串的适应度与预设的适应度阈值进行比较;
所述判断处理单元在所述适应度比较单元比较出所述最高适应度等于或大于预设的适应度阈值时,判断满足结束条件。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 200710119030 CN101068108A (zh) | 2007-06-18 | 2007-06-18 | 基于遗传算法的正交镜像滤波器组实现方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 200710119030 CN101068108A (zh) | 2007-06-18 | 2007-06-18 | 基于遗传算法的正交镜像滤波器组实现方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN101068108A true CN101068108A (zh) | 2007-11-07 |
Family
ID=38880563
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN 200710119030 Pending CN101068108A (zh) | 2007-06-18 | 2007-06-18 | 基于遗传算法的正交镜像滤波器组实现方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101068108A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102664646A (zh) * | 2011-05-17 | 2012-09-12 | 杭州畅鼎科技有限公司 | 采用遗传算法和非线性凸规划理论优化参数的滤波方法 |
CN103793747A (zh) * | 2014-01-29 | 2014-05-14 | 中国人民解放军61660部队 | 网络内容安全管理中一种敏感信息模板构建方法 |
CN109977227A (zh) * | 2019-03-19 | 2019-07-05 | 中国科学院自动化研究所 | 基于特征编码的文本特征提取方法、系统、装置 |
-
2007
- 2007-06-18 CN CN 200710119030 patent/CN101068108A/zh active Pending
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102664646A (zh) * | 2011-05-17 | 2012-09-12 | 杭州畅鼎科技有限公司 | 采用遗传算法和非线性凸规划理论优化参数的滤波方法 |
CN102664646B (zh) * | 2011-05-17 | 2014-07-02 | 杭州畅鼎科技有限公司 | 采用遗传算法和非线性凸规划理论优化参数的滤波方法 |
CN103793747A (zh) * | 2014-01-29 | 2014-05-14 | 中国人民解放军61660部队 | 网络内容安全管理中一种敏感信息模板构建方法 |
CN103793747B (zh) * | 2014-01-29 | 2016-09-14 | 中国人民解放军61660部队 | 网络内容安全管理中一种敏感信息模板构建方法 |
CN109977227A (zh) * | 2019-03-19 | 2019-07-05 | 中国科学院自动化研究所 | 基于特征编码的文本特征提取方法、系统、装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TWI767922B (zh) | 用於神經網路量化的方法以及裝置、以及製造晶片的方法 | |
TWI801356B (zh) | 網路量化的方法、神經網路中的設備、製造晶片組方法及測試設備方法 | |
US9058564B2 (en) | Controlling quarantining and biasing in cataclysms for optimization simulations | |
CN1906855B (zh) | 空间矢量和可变分辨率量化 | |
CN1783729A (zh) | 用联合节点处理来解码低密度奇偶校验码的方法和设备 | |
WO2011135410A1 (en) | Optimization technique using evolutionary algorithms | |
CN101079639A (zh) | 基于节点存储器的低密度奇偶校验解码装置和方法 | |
CN107609648B (zh) | 一种结合堆叠降噪稀疏自动编码器的遗传算法 | |
CN111079899A (zh) | 神经网络模型压缩方法、系统、设备及介质 | |
CN101079642A (zh) | 误差校正码的译码方法及其程序和设备 | |
CN109918307A (zh) | 基于否定选择遗传算法的路径覆盖测试数据生成方法 | |
CN101068108A (zh) | 基于遗传算法的正交镜像滤波器组实现方法及装置 | |
CN114118369A (zh) | 一种基于群智能优化的图像分类卷积神经网络设计方法 | |
Haseyama et al. | A filter coefficient quantization method with genetic algorithm, including simulated annealing | |
CN114882945A (zh) | 一种基于集成学习的rna-蛋白质结合位点预测方法 | |
US20100228808A1 (en) | Restrained Vector Quantisation | |
KR20220004945A (ko) | 그래프 생성 모델을 이용한 스캐폴드-기반 분자 디자인 | |
CN111652373B (zh) | 一种云机器人的任务调度方法、装置、设备及存储介质 | |
KR20200023695A (ko) | 연산량을 줄이는 학습 시스템 | |
US11488007B2 (en) | Building of custom convolution filter for a neural network using an automated evolutionary process | |
CN1815940A (zh) | 检测和纠正经通信信道传输的码字里的数据位错误的方法和系统 | |
CN116978462A (zh) | 一种基于扩散模型生成非天然启动子的方法 | |
CN116597894A (zh) | 一种基于XGBoost特征选择与深度学习结合的基因到表型预测方法和系统 | |
CN116305939A (zh) | 陆地生态系统碳水通量高精度反演方法、系统及电子设备 | |
KR101369064B1 (ko) | 음성 부호화 장치 및 음성 부호화 방법 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
WD01 | Invention patent application deemed withdrawn after publication |