On Using a Genetic Algorithm in the Designing of Linear Digital Filters

Jacek Stelmach

doi:10.18778/0208-6018.346.07

Autor

Jacek Stelmach ETA Gliwice Sp. z o.o.

DOI:

https://doi.org/10.18778/0208-6018.346.07

Słowa kluczowe:

filtry cyfrowe, algorytm genetyczny, proces ARMA.

Abstrakt

Filtry cyfrowe, zarówno ze średnią ruchomą, jak i autoregresyjne, są szeroko wykorzystywane w tłumieniu zakłóceń, przetwarzaniu sygnałów bądź wyodrębnianiu informacji z potoków danych. Chociaż dobrze znana teoria filtrów pozwala na optymalny dobór parametrów, istnieją jednak takie zastosowania praktyczne, których wymagania ograniczają stosowanie filtrów cyfrowych. Jednym z ważniejszych ograniczeń jest opóźnienie odpowiedzi filtru, wynikające z konieczności korzystania ze zbyt wielu opóźnionych sygnałów wejściowych. Zaproponowana w artykule metoda umożliwia dobór parametrów filtru, zmniejszając jego opóźnienie przy zachowaniu istotnych dla użytkownika wymagań (np. tłumienia) za pomocą algorytmu genetycznego. Charakterystyki widmowe takich filtrów porównano z charakterystykami widmowymi najbardziej znanych filtrów klasycznych.

Pobrania

Brak dostępnych danych do wyświetlenia.

Bibliografia

Cryer J. D., Chan K.‑S. (2008), Time Series Analysis with Applications in R, Springer Science, Berlin.
Google Scholar

Goldberg D. (1989), Genetic Algorithms in Search, Optimization and Machine Learning, Addison‑Wesley, Boston.
Google Scholar

Grzymkowski R., Kaczmarek K., Kiełtyka S., Nowak I. (2008), Wybrane algorytmy optymalizacji. Algorytmy genetyczne. Algorytmy mrówkowe, Wydawnictwo Pracowni Komputerowej Jacka Skalmierskiego, Gliwice.
Google Scholar

Holland J. (1975), Adaptation in Natural and Artificial Systems, The University of Michigan Press, Ann Arbor.
Google Scholar

Kirchgassner G., Wolters J. (2007), Introduction to Modern Time Series Analysis, Springer‑Verlag, Berlin.
Google Scholar

Lutkepohl H. (2005), New Introduction to Multiple Time Series Analysis, Springer‑Verlag, Berlin.
Google Scholar

Stelmach J. (2014), On the use of genetic algorithms in the selection of predictors of parametric regression models, [in:] 32nd International Conference “Mathematical Methods in Economics 2014” in Olomouc, Conference Proceedings, pp. 968–973.
Google Scholar