改进的群智能算法及其应用电子书

封面页

书名页

版权页

内容简介

作者简介

前言　FOREWORD

目录

第1章　绪论

1.1　引言

1.2　群智能算法与机器学习

1.2.1　群智能算法

1.2.2　机器学习

1.2.3　机器学习与群智能优化算法的结合

1.3　发展概述

1.3.1　合成孔径雷达目标识别

1.3.2　MEMS矢量水听器信号去噪和DOA估计

1.3.3　基于基因表达谱的癌症分类

1.3.4　传染病预测

1.3.5　机器人移动转向与地表水水质分类

1.3.6　空气质量指数的预测与分类

1.3.7　股票指数预测

1.3.8　预测性能指标

1.4　本书的主要内容

第2章　基于机器学习的合成孔径雷达目标识

2.1　引言

2.2　基于CNN的合成孔径雷达目标识别

2.2.1　基本CNN

2.2.2　数据集

2.2.3　数据预处理

2.2.4　基于CNN与RF的合成孔径雷达目标识别

2.2.5　基于CNN-PCA-DT算法的SAR目标识别

2.3　基于Harris鹰优化算法与支持向量机的SAR目标识别

2.3.1　基本算法

2.3.2　改进的Harris鹰算法

2.3.3　函数极值寻优

2.3.4　基于IHHO和SVM的SAR目标识别

2.3.5　结论

2.4　本章小结

第3章　MEMS水听器的信号去噪与DOA估

3.1　引言

3.2　基于变分模态分解和小波阈值处理的去噪和基线漂移去除方法

3.2.1　基本原理

3.2.2　基于VMD和NWT的联合去噪方法

3.2.3　仿真数据去噪

3.2.4　湖泊实验

3.2.5　结论

3.3　基于IGA-小波软阈值的矢量水听器的去噪方法

3.3.1　遗传算法

3.3.2　基于改进遗传算法的去噪方法

3.3.3　仿真实验

3.3.4　实测实验

3.3.5　结论

3.4　改进的飞鼠搜索算法与DML的矢量水听器的DOA估计

3.4.1　基本算法

3.4.2　基于SSA和IWO的混合算法

3.4.3　基准函数的极值寻优

3.4.4　基于ISSA-DML的DOA估计

3.4.5　结果分析与讨论

3.4.6　结论

3.5　本章小结

第4章　基于基因表达谱的癌症分类

4.1　引言

4.2　基于BP、SVM和S-Kohonen的结肠癌的分类

4.2.1　数据源

4.2.2　数据处理

4.2.3　实验结果

4.2.4　结论

4.3　基于人工神经网络的子宫内膜癌的分类

4.3.1　数据源

4.3.2　基于人工神经网络分类器的子宫内膜癌的分类

4.3.3　基于改进的灰狼算法的子宫内膜癌的识别

4.4　本章小结

第5章　三类传染病的预测

5.1　引言

5.2　改进的人工蜂群算法对手足口病发病人数的预测

5.2.1　基本蜂群算法

5.2.2　改进的ABC算法

5.2.3　ABCIW-BP预测模型

5.2.4　实验

5.2.5　结论

5.3　基于改进的蚁狮优化算法与人工神经网络的中国流感预测

5.3.1　蚁狮优化算法

5.3.2　改进的蚁狮算法

5.3.3　基准函数的极值寻优

5.3.4　IALO算法优化BP神经网络实现中国流感预测

5.3.5　讨论

5.3.6　结论

5.4　基于改进的人工树算法和人工神经网络的流感样病例预测

5.4.1　IAT-BPNN预测模型

5.4.2　实验

5.4.3　讨论

5.4.4　结论

5.5　基于改进的遗传算法与人工神经网络的流感样疾病的预测

5.5.1　IWOGA-BPNN预测模型

5.5.2　实验

5.5.3　结论

5.6　基于改进的MVO算法与Elman神经网络的流感样疾病的预测

5.6.1　多元优化器

5.6.2　改进的MVO算法

5.6.3　实验

5.6.4　结论

5.7　本章小结

第6章　机器人转向及地表水水质分类

6.1　引言

6.2　基于PSO与GSA的地表水水质及机器人转向分类

6.2.1　引力搜索算法

6.2.2　分类模型

6.2.3　实验

6.2.4　讨论

6.2.5　结论

6.3　基于PCA和改进的PSO-SVM机器人转向分类

6.3.1　基于PCA和改进的PSO算法优化SVM的分类模型PSO-SVM

6.3.2　实验结果

6.3.3　结论

6.4　本章小结

第7章　空气质量指数的预测与分类

7.1　引言

7.2　基于ISSA-SVM的空气质量的等级分类

7.2.1　数据源

7.2.2　实验结果

7.2.3　结论

7.3　基于改进的鲸优化算法的空气质量指数的预测

7.3.1　鲸优化算法

7.3.2　改进的鲸优化算法

7.3.3　函数极值寻优

7.3.4　基于IWOA的太原市AQI预测

7.3.5　结论

7.4　基于改进的粒子群算法和RBF神经网络的空气质量指数预测

7.4.1　惯性权重的选择

7.4.2　EDIW-PSO算法优化的PBF模型

7.4.3　实验

7.4.4　结论

7.5　基于TVIW-PSO-GSA算法与SVM的空气质量的等级分类

7.5.1　分类模型

7.5.2　实验

7.5.3　结论

7.6　基于改进的思维进化算法与BP神经网络的AQI预测

7.6.1　思维进化算法

7.6.2　改进的MEA算法

7.6.3　基于MEA-PSO-GA的BP神经网络

7.6.4　空气质量指数预测结果及分析

7.6.5　结论

7.7　基于飞蛾扑火算法与支持向量机的空气质量指数预测

7.7.1　飞蛾扑火优化算法

7.7.2　MFO-SVM算法

7.7.3　实验

7.7.4　结论

7.8　本章小结

第8章　股市指数预测

8.1　引言

8.2　基于改进的正余弦算法的股票指数预测

8.2.1　正余弦算法

8.2.2　预测模型

8.2.3　实验

8.2.4　结论和讨论

8.3　基于改进的Harris鹰优化算法与极限学习机的股票指数预测

8.3.1　数据源

8.3.2　基于IHHO和极限学习机的预测模型

8.3.3　实验结果

8.3.4　讨论

8.3.5　结论

8.4　基于改进的动态粒子群优化和AdaBoost算法的股票指数预测

8.4.1　AdaBoost算法

8.4.2　基于EDIW-PSO和AdaBoost算法的GRBF模型

8.4.3　实验

8.4.4　结论

8.5　本章小结

附录

参考文献