[发明专利]基于遗传算法的正交镜像滤波器组实现方法及装置

说明书

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；