الف – پرداخت وجه بحساب وب سایت ایران ترجمه(شماره حساب)ب- اطلاع جزئیات به ایمیل irantarjomeh@gmail.comشامل: مبلغ پرداختی – شماره فیش / ارجاع و تاریخ پرداخت – مقاله مورد نظر --مقالات آماده سفارش داده شده پس از تایید به ایمیل شما ارسال خواهند شد.
قیمت
قیمت این مقاله: 38000 تومان
(ایران ترجمه - Irantarjomeh)
توضیح
بخش زیادی از این مقاله بصورت رایگان ذیلا قابل مطالعه می باشد.
شماره
۱۱۳
کد مقاله
ELC113
مترجم
گروه مترجمین ایران ترجمه – irantarjomeh
نام فارسی
تقریب فیلتر پایین گذر با تکنیک های تکاملی
نام انگلیسی
Low-pass Filter Approximation with Evolutionary Techniques
دپارتمان مهندسی الکترونیک و ارتباطات، دانشگاه فنی یولدیز، ترکیه
مرجع به انگلیسی
ELECO 2011 7th International Conference on Electrical and Electronics Engineering; Department of Electronics and Communication Engineering
Yildiz Technical University
Besiktas, Istanbul, Turkey
کشور
ترکیه
تقریب فیلتر پایین گذر با تکنیک های تکاملی
چکیده
در این مقاله، دو تکنیک تکاملی، الگوریتم بهینه سازی اجتماع ذرات (PSO) و الگوریتم کلونی مصنوعی زنبور (ABC) جهت بهینه سازی ضرایب مخرج تابع انتقال فیلتر پایین گذر به کار گرفته شده است. انتخاب بهینه این ضرایب سبب تقریب تابع انتقال به ویژگی های ایده آل می شود. در این رابطه، دو مرتبه مختلف توابع انتقال مدنظر هستند. در مقایسه با روشهای متعارف، هر دوی PSO و ABC قابلیت به حداقل رسانی خطای تقریب در یک زمان محاسباتی کوتاه را دارند.
تقریب فیلتر پایین گذر با تکنیک های تکاملی
۱- مقدمه
فیلتر پایین گذر تقریبا در کلیه ارتباطات، برآوردها و سیستم های کنترل امروزی به کار گرفته می شود. عملکرد آن فرونشانی کلیه مولفه های فرکانس بالای یک سیگنال فراتر از فرکانس قطع و اجازه عبور به فرکانس های پایین تر از طریق فیلتر میرا نشده می باشد. بنابراین پاسخ مقدار یک فیلتر پایین گذر ایده آل به وسیله ویژگی «brickwall» تعریف می شود. با این وجود، این پاسخ ایده ال را نمی توان به عنوان یک تابع منطقی فرکانس زاویه ای بیان نمود. از آنجایی که فیلتر پایین گذر ایده آل به صورت فیزیکی امکان پذیر نیست، قابلیت طراحی یک مدار فیزیکی وجود دارد که برمبنای آن قابلیت تقریب ویژگی های ایده ال در داخل هرنوع سیستم مشخص شده وجود خواهد داشت [۱] حل مشکل تقریب به عنوان یک مرحله اصلی در رویه طراحی یک فیلتر به شمار آمده و از اهمیت بالسویه ای در طراحی هردوی فیلترهای آنالوگ و دیجیتال برخوردار می باشد [۲].
مشکل تقریب را می توان به عنوان یک بهینه سازی برازش منحنی تعریف نمود. چندین روش جهت فائق آمدن بر این مشکل پیشنهاد شده است. به طور مثال، فیلتر Butterworth [3] در بردارنده ویژگی های مقدار بوده و هیچ نوع ریپلی را در باند عبور به کار نمی گیرد. با این وجود، این مورد دارای یک باند گذار طولانی می باشد. فیلتر Chebyshev [3] نیز دارای مشخصه های سختی بوده و از پیچیدگی کمتر و ریپل های کمتری در باند عبور بهره می جوید.
قبل از دوره محاسبات سریع و کارا، هر روش به عنوان یک جدول ضرایب تابع انتقال مدنظر بوده و مهندسین می بایست اقدام به مشخص نمودن یک فیلتر با استفاده از داده های این جدول نمایند. این جداول تامین کننده ضرایب مرتبه مبنا برای فیلتر پایین گذر نرمال شده می باشند. یک فضای وسیع مرتبط با ضرایب فیلتر به وسیله تقریب های کلاسیک بدون استفاده باقی مانده است [۴]. پیاده سازی تکنیک های بهینه سازی ارائه دهنده فرصتی جهت اکتشاف یک فضای راه حل بزرگ می باشد که تحت پوشش ملاحظات طراحی فیلترهای آنالوگ متعارف نظیر تقریب های Butterworth و Chebyshev نبوده و ارائه دهنده فیلترهای متناسب تری برای مشخصه های عملی می باشد.
بکارگیری تکنیک های تکاملی در تقریب فیلتر و از این طریق بهینه سازی ضرایب تابع انتقال به عنوان یک ویژگی امید بخش به شمار می آید که در زمینه مفاهیم انتخاب طبیعی و تداوم زیست برازنده ترین موارد مد نظر هستند. در این مقاله، الگوریتم بهینه سازی اجتماع ذرات ارتقاء یافته برمبنای سیستم Optim-filt توسعه یافته است که در بردارنده یک سیل تکاملی تقریب های فیلتر به شکل ضرایب یک تابع انتقال می باشد [۴]. با این وجود خطاهای تقریب با توجه به روش های متعارف مشخص نشده اند. در [۵] برنامه نویسی نیم مطلق / نیمه معین (SDP) جهت بهینه سازی کلیه فیلترهای خود از طریق تقویت و جبران طرح های کلاسیک، با توجه به ویژگی های عملکرد کلی باند عبور و باند توقف، به کار گرفته شده است. در [۷، ۶] مشکل تقریب به عنوان مشکل برنامه نویسی کوآتراتیک ترتیبی SQP)) فرمول بندی شده و مشخصه فیلتر خاص به یک طرح تلرانس تبدیل شده که قابلیت گسترش به وسیله محدودیت ها در فرکانس و / یا در حوزه زمانی را خواهد داشت.
در این مقاله، الگوریتم کلونی زنبور مصنوعی (ABC) و الگوریتم بهینه سازی اجتماع ذرات (PSO) که برمبنای تکنیک های تکاملی هستند جهت بهینه سازی ضرایب توابع انتقال یک فیلتر پایین گذر مرتبه ثالث و مرتبه پنجم به کار گرفته شده اند. هدف حصول یک مجموعه ارزش ضرایب بهینه می باشد که قابلیت به حداقل رسانی خطا بین تابع انتقال و ویژگی های ایده آل در یک زمان محاسباتی کوتاه را داشته باشند. بر این مبنا، در این مقاله یک مقایسه خطای تقریب حاصل آمده به وسیله روش های متعارف که در بخش ۲ و تکنیک های تکاملی که در بخش ۳ بررسی می شوند در نظر گرفته شده و مجموعه آنها در بخش ۴ ارائه می شوند. در نهایت، بخش ۵ ارائه دهنده نتیجه گیری ها و پیشنهادات مرتبط با تحقیقات آتی می باشد.
تقریب فیلتر پایین گذر با تکنیک های تکاملی
۲- روش های تقریب فیلتر معمولی
در عمل طراحی فیلتر، پاسخ مقدار غالبا از ویژگی خاص تری در مقایسه با پاسخ فاز برخوردار می باشد یا به صورت خاص تری مورد بررسی قرار گرفته است. پاسخ مقدار فیلتر پایین گذر ایده ال با فرکانس قطع نرمال شده در در شکل ۱ نشان داده شده است. این مورد دارای بهره ۱ (dB 0) در باند عبور و بهره صفر در باند توقف می باشد. این پاسخ مقدار ایده آل را نمی توان به عنوان یک تابع منطقی فرکانس زاویه ای () بیان داشت. از آنجایی که فیلتر پایین گذر ایده ال از نظر فیزیکی قابل تحقق نمی باشد، روش های تقریب متعددی وجود دارند که برخی از آنها به شرح ذیل مشخص می گردند.
۲-۱٫ تقریب Butterworth
تقریب Butterworth (1) هدف ایجاد فیلترهای پاسخ مقدار مسطح حداکثری را دنبال می کند که برای ویژگی همواری بهره در باند عبور بهینه شده اند.
۲-۲-. تقریب Chebyshev
ویژگی Chebyshev (4) دارای یک افت تندتری نزدیک فرکانس قطع در مقایسه با تقریب Butterworth می باشد، اما این ویژگی به بهای یکنواختی در باند عبور تمام خواهد شد [۲].
تقریب فیلتر پایین گذر با تکنیک های تکاملی
۳- الگوریتم های تکاملی (EA)
تکنیک های الگوریتم های تکاملی (EA) از نظر جزئیات پیاده سازی و طبیعت مربوط به مشکل خاص کاربردی متفاوت می باشند. در این بررسی، عملکرد بهینه سازی کلونی زنبور عسل مصنوعی (ABC) و بهینه سازی اجتماع ذرات (PSO) که به عنوان تکنیک های EA الهام گرفته از طبیعت هستند برای طراحی فیلتر فعال ارزیابی شده اند. جزئیات این موارد به شرح ذیل ارائه می گردند.
۳-۱٫ بهینه سازی الگوریتم کلونی زنبور عسل مصنوعی (ABC)
الگوریتم کلونی زنبور عسل مصنوعی (ABC) [8] که به عنوان یک الگوریتم بهینه سازی اخیر مطرح شده است اقدام به شبیه سازی رفتار کاوشی کلونی زنبور عسل برای غذا می نماید. در الگوریتم ABC، موقعیت منبع غذایی معرف یک راه حل محتمل برای مشکل بهینه سازی بوده و مقدار شهد یک منبع غذایی مترادف با کیفیت (برازندگی) راه حل مرتبط می باشد. در ابتدا، موقعیت های منبع غذایی به صورت تصادفی تحت عنوان مشخص می شوند، که در آن SN تعداد حداکثری منابع غذایی می باشد. هر زنبور مستخدم، که مجموع کل آن مساوی با تعداد منابع غذایی می باشد، یک منبع غذایی جدیدی را در منطقه منبع غذایی خود به شرح ذیل (۶) ایجاد می نماید.
۳-۲٫ بهینه سازی اجتماع ذرات (PS0)
بهینه سازی اجتماع ذرات (PS0) یک روش محاسباتی تکاملی برمبنای رفتار اجتماعی، حرکت و هوشمندی جستجوی اجتماعی برای یافتن یک موقعیت بهینه در یک فضای جستجوی چند بعدی می باشد که به وسیله Eberhart توسعه یافته است [۱۰]. این دیدگاه از مفهوم جمعیت و برآورد عملکرد مشابه با مقدار برازندگی استفاده شده به وسیله الگوریتم های تکاملی بهره می جوید. جمعیت حاوی راه حل های بالقوه ای تحت عنوان ذرات می باشد. هر ذره با توجه به یک مقدار موقعیت تصادفی شکل می گیرد. در هر بار تکرار، تابع برازندگی برمبنای مشخص نمودن موقعیت جاری ذره در فضای راه حل و دو مورد از بهترین مقادیر (pbest، gbest) ارزیابی می شود. بهترین مقدار شخصی، pbest، به عنوان موقعیت بهترین مقدار برازندگی حاصله تاکنون به وسیله ذره مربوطه مشخص می شود. بهترین مقدار کلی، gbest، نیز به عنوان موقعیت بهترین مقدار برازندگی حاصله تاکنون که کلیه ذرات در آن اجتماع بدست آورده اند تعیین می گردد [۱۲-۱۰].
تقریب فیلتر پایین گذر با تکنیک های تکاملی
۴- نتایج شبیه سازی
به منظور بررسی کاربرد الگوریتم های تکاملی (EA) در بهینه سازی فیلتر و مقایسه با روش های معمولی، بهینه سازی ضرایب تابع انتقال n امین مرتبه فیلتر پایین گذر اعمال می گردد. از طریق مشخص نمودن پارامترهای طراحی EA و برطرف نمودن محدودیت های طراحی، هدف مشخص نمودن ضرایب نمونه به وسیله روش های EA دنبال می شود. مشکل طراحی از طریق ترکیب یک معادله شامل پارامترهای طراحی به عنوان تابع هزینه (CF) مشخص می گردد. در ابتدای این الگوریتم، یک محدوده مشخص برای پارامترهای طراحی شده به وسیله طراح انسانی مشخص شد. EA می بایست قابلیت به حداقل رسانی CF ارائه شده و حصول مقادیر پارامتر طراحی برای محدوده مشخص شده که در بردارنده مقدار CF حداقلی می باشد را داشته باشد. به منظور مشخص نمودن مشکل طراحی برای EA، یک CF که شامل مقادیر ضرایب همراه با پارامترهای طراحی می باشد برمبنای مورد عرضه شده (۱۱) ایجاد می گردد.
تقریب فیلتر پایین گذر با تکنیک های تکاملی
۵- نتیجه گیری
در این مبحث، عملکردهای الگوریتم های تکاملی مرتبه n ام تقریب فیلتر پایین گذر مورد بررسی قرار گرفته اند. الگوریتم های ABC و PSO برای بهینه سازی تابع انتقال پایین گذر مرتبه سوم و پنجم و انتخاب ضرایب مخرج بهینه که تقریب زننده تابع انتقال مرتبط با ویژگی های ایده آل برمبنای دقت و زمان محاسباتی می باشند مورد استفاده قرار گرفته اند.
نتایج شبیه سازی معرف آن هستند که هردوی PSO و ABC قابلیت به حداقل رسانی خطای تقریب در مقایسه با روش های معمولی در یک زمان محاسباتی کوتاه را دارند. بیشترین میزان افت در باند گذر به وسیله ABC حاصل می شود. با این وجود، PSO دارای تقریب بهتری با توجه به ویژگی های ایده آل در باند عبور می باشد. در نتیجه، تکنیک های تکاملی به طور موثر قابلیت بررسی فضای جستجو به منظور حصول ضرایب مخرج یک تابع انتقال پایین گذر را خواهند داشت.
در تحقیقات آتی مطالعاتی برای ارتقای الگوریتم تکاملی بر مبنای روش تقریب انجام خواهد شد. مورد گسترش یافته این تحقیق را می توان در ویژگی هایی چون تقریب فاز یا بهینه سازی پاسخ مرحله ای در حوزه زمانی بیان داشت.
لطفا به جای کپی مقالات با خرید آنها به قیمتی بسیار متناسب مشخص شده ما را در ارانه هر چه بیشتر مقالات و مضامین ترجمه شده علمی و بهبود محتویات سایت ایران ترجمه یاری دهید.
