改进的群智能算法及其应用

图书标准信息

• 作者 胡红萍 著
• 出版社 清华大学出版社
• 出版时间 2021-01
• 版次 1
• ISBN 9787302569633
• 定价 65.00元
• 装帧 平装
• 开本 32开
• 页数 528页
• 字数 342千字

【内容简介】

本书阐述了群智能算法和机器学的发展概述，重点介绍了典型的群智能算法与机器学相结合的算法在合成孔径雷达、mem矢量水听器、癌症、传染病、空气质量指数、股票、机器人转向及水质等方面的预测与分类，程度上反映了群智能算法与机器学的近期新发展水。
本书的研究主题是群智能算法与机器学的预测与分类，其中涉及现代信号处理、神经网络和现代优化算法的一些基本内容。本书重点放在群智能算法与机器学相结合的算法及其应上，力求让读者既掌握群智能算法和机器学的知识，又能让读者体会群智能算法与机器学相结合解决实际问题的能力，使读者学有所得。
本书可作为本科生的教科书和参用书，也可作为应用数学、信号处理、图像处理、优化算法、预测与分类等方向的学用书，还可供从事机器学的科研工作者参。

【作者简介】

    胡红萍，1973年7月出生，博士，中北大学副教授、硕士生导师。目前主要从事群智能算法和机器学及其应用等方面的研究工作，曾于2017年2月至2018年2月在美国亚利桑那州立大学访学。主持或参加山西省自然科学项目5项、山西省回国留学人员科研资助项目1项，自然科学项目1项、博士后自然科学项目1项、山西省重点研发计划项目1项和山西省2020年度教育改革课题1项，发表50余篇，其中高水20余篇。

【目录】

章绪论

1.1引言

1.2群智能算法与机器学

1.2.1群智能算法

1.2.2机器学

1.2.3机器学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

1.3.2mems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预测能指标

1.4本书的主要内容

第2章基于机器学的合成孔径雷达目标识别

2.1引言

2.2基于n的合成孔径雷达目标识别

2.2.1基本n

2.2.2数据集

2.2.3数据预处理

2.2.4基于n与rf的合成孔径雷达目标识别

2.2.5基于n-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估计

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

3.2.2基于vmd和nwt的联合去噪方法

3.2.3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

5.2.3abciw-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

5.3.4ialo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

5.4.1iat-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

5.5.1iwoga-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o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o-svm机器人转向分类

6.3.1基于pca和改进的o算法优化svm的分类模型o-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惯权重的选择

7.4.2ediw-o算法优化的pbf模型

7.4.3实验

7.4.4结论

7.5基于tviw-o-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-o-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

7.7.2mfo-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机的股票指数预测

8.3.1数据源

8.3.2基于ihho和极限学机的预测模型

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

8.4.1adaboost算法

8.4.2基于ediw-o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

参文献