一种基于改进 PSO的随机最大似然算法

thinkfunny

一种基于改进 PSO的随机最大似然算法

- O# ^, U5 ^% @5 V/ z2 o) ^! G' `摘要:随机最大似然算法( Stochastic Maximum Likelihood,SML)具有优越的波达方位( Direction-of-Arrival,DOA)估计性能,但SML解析过程较高的计算复杂度限制了该算法在实际系统中的应用.针对SML计算复杂度高的问题,提出一种低复杂度的粒子群优化算法( Particle SwARM Optimization , PSO) ,解决了传统PSO算法中粒子数多和迭代次数多的双重缺点.首先,根据天线获得的信号,将旋转不变子空间法(Estimation of Signal Parameters via RotationalInvariance Techniques ,ESPRIT)求得的闭式解作为DOA的预估计值,同时计算系统此时的信噪比以及SML在此信噪比下的克拉-美罗界(Cramer-Rao bound, CRB).然后,根据DOA预估计值和当前CRB值在SML最优解的近邻范围内确定较小的初始化空间,并在该空间初始化少量粒子.最后通过设计合适的惯性因子uv ,使粒子以合理的速度搜索最优解.实验结果表明,改进PS0算法所需的粒子个数和迭代次数大约是传统PSO算法的1/5,降低了SML的解析复杂度,计算时间是传统PSO算法的1/10,因此在收敛速度上也有显著的优势.
5 q, w$ E. J* n9 n关键词:波达方位估计;粒子群优化算法;随机最大似然算法;计算复杂度
- r) b9 }- M# f0 V4 I& [: }3 W4 f
+ }6 S# C( ?- D6 _& H% u( n0 h

游客，如果您要查看本帖隐藏内容请回复

9 r$ Y3 _( z) Y- H8 h; ^
* f5 W+ g2 I4 ?2 `( q" j3 R/ z# }

youOK

一种基于改进 PSO的随机最大似然算法