一种基于粒子群算法的主动降噪算法参数优化方法
本发明公开了一种基于粒子群算法的主动降噪算法参数优化方法，步骤1：种群的随机初始化；步骤2：将群体赋值给待求参数；步骤3：运行主动噪声控制算法，并计算适应度函数对应适应度值；步骤4：确定个体最优位置和全局最优位置；步骤5：判断迭代次数是否达到上限；若未达到则继续执行以下步骤6；若达到，则输出优化变量值；步骤6：对粒子的速度与位置进行更新，得到新的群体，之后再次执行步骤2至步骤5。
发明专利
CN202010493573.8
2020-06-03
CN111640415A
2020-09-08
G10K11/175(2006.01)
吉林大学
陈书明;蒋尧;周政道;张瑞
130000 吉林省长春市前进大街2699号
北京远大卓悦知识产权代理事务所(普通合伙)
许小东
吉林;22
1.一种基于粒子群算法的主动降噪算法参数优化方法，其特征在于， 步骤1：种群的随机初始化； 步骤2：将群体赋值给待求参数； 步骤3：通过基于FxLMS算法的主动噪声控制算法，并计算适应度函数对应适应度值； 步骤4：确定个体最优位置和全局最优位置； 步骤5：判断迭代次数是否达到上限；若未达到则继续执行以下步骤6；若达到，则输出优化变量值； 步骤6：对粒子的速度与位置进行更新，得到新的群体，之后再次执行步骤2至步骤5。 2.如权利要求1所述的基于粒子群算法的主动降噪算法参数优化方法，其特征在于，所述步骤1中生成一定种群规模的粒子，随机初始化每个粒子的初始速度vij(t＝0)与位置xij(t＝0)；其中，i为优化参数的编号，即第i个优化参数，j为每个粒子的编号，即第j个粒子，vij(t)表示在第t次迭代时第i维优化参数的第j个粒子的速度和xij(t)表示在第t次迭代时第i维优化参数的第j个粒子的位置。 3.如权利要求1或2所述的基于粒子群算法的主动降噪算法参数优化方法，其特征在于，采用定步长FxLMS算法时，当μ(n)＝μ0，μ0为定值，利用步骤2中的参数vari，令μ0＝var1；或者 采用不定步长FxLMS算法时当μ(n)不为定值时，此时： 其中，α和β为大于零的常数。 利用步骤二的参数，令α＝var1,β＝var2。 4.如权利要求1或2所述的基于粒子群算法的主动降噪算法参数优化方法，其特征在于， 所述步骤3中，所述适应度函数的适应度值fitv： 其中n指的是当前迭代次数，M指的是总的迭代次数，e(n)指迭代到第n次时主动降噪仿真算法所输出的残余误差值。 5.如权利要求1或2所述的基于粒子群算法的主动降噪算法参数优化方法，其特征在于，所述步骤4中，初次迭代时，将每个粒子的当前位置设为个体最优位置pbest，初次迭代后，对每个粒子的当前位置与其历史最优位置进行比较，若当前位置更优，则将其替代pbest，否则个体最优位置不变；将所有个体的最优值pest与整个群体的当前的全局最优位置gbest进行对比，若某个个体的最优值pest更优，则将其替换gbest，否则全局最优位置不变。 6.如权利要求1或2所述的基于粒子群算法的主动降噪算法参数优化方法，其特征在于，所述步骤6中，调节每个粒子的位置与速度，使每个粒子朝向其自身历史最佳位置和种群的最优位置，所述更新的公式如下： vij(t+1)＝w·vij(t)+r1·c1(pbestij(t)-xij(t))+r2·c2·(gbesti(t)-xij(t)) xij(t+1)＝＝xij(t)+vij(t+1) 其中i为每个优化参数的编号，即第i个优化参数，j为每个粒子的编号，即第j个粒子，vij(t)和xij(t)分别表示在第t次迭代时第i维优化变量的粒子j的速度和位置，pbestij(t)和pbesti(t)分别代表在第t次迭代时第i个优化参数第j个粒子的最优位置和整个群体第i个优化变量的最优位置；w为惯性权重，c1与c2分别为认知学习因子和社会学习因子、r1与r2均为[0，1]内的随机数。 7.如权利要求5所述的基于粒子群算法的主动降噪算法参数优化方法，其特征在于，其中，惯性权重w通过线性调整法进行控制，w初始值应取得较大，随着迭代的进行逐渐减小w值，采用以下线性调节法对w值进行控制: 其中w1和w2分别代表惯性权重的初值与终值，t与T分别为当前的迭代次数与整个寻优过程的最大迭代次数。