改進的群智能算法及其應用

目錄


第1章緒論

1.1引言

1.2群智能算法與機器學習

1.2.1群智能算法

1.2.2機器學習

1.2.3機器學習與群智能優(yōu)化算法的結(jié)合

1.3發(fā)展概述

1.3.1合成孔徑雷達目標識別

1.3.2MEMS矢量水聽器信號去噪和DOA估計

1.3.3基于基因表達譜的癌癥分類

1.3.4傳染病預測

1.3.5機器人移動轉(zhuǎn)向與地表水水質(zhì)分類

1.3.6空氣質(zhì)量指數(shù)的預測與分類

1.3.7股票指數(shù)預測

1.3.8預測性能指標

1.4本書的主要內(nèi)容

第2章基于機器學習的合成孔徑雷達目標識別

2.1引言

2.2基于CNN的合成孔徑雷達目標識別

2.2.1基本CNN

2.2.2數(shù)據(jù)集

2.2.3數(shù)據(jù)預處理

2.2.4基于CNN與RF的合成孔徑雷達目標識別

2.2.5基于CNNPCADT算法的SAR目標識別

2.3基于Harris鷹優(yōu)化算法與支持向量機的SAR目標識別


2.3.1基本算法

2.3.2改進的Harris鷹算法

2.3.3函數(shù)極值尋優(yōu)

2.3.4基于IHHO和SVM的SAR目標識別

2.3.5結(jié)論

2.4本章小結(jié)





第3章MEMS水聽器的信號去噪與DOA估計

3.1引言

3.2基于變分模態(tài)分解和小波閾值處理的去噪和基線漂移去除方法

3.2.1基本原理

3.2.2基于VMD和NWT的聯(lián)合去噪方法

3.2.3仿真數(shù)據(jù)去噪

3.2.4湖泊實驗

3.2.5結(jié)論

3.3基于IGA小波軟閾值的矢量水聽器的去噪方法

3.3.1遺傳算法

3.3.2基于改進遺傳算法的去噪方法

3.3.3仿真實驗

3.3.4實測實驗

3.3.5結(jié)論

3.4改進的飛鼠搜索算法與DML的矢量水聽器的DOA估計

3.4.1基本算法

3.4.2基于SSA和IWO的混合算法

3.4.3基準函數(shù)的極值尋優(yōu)

3.4.4基于ISSADML的DOA估計

3.4.5結(jié)果分析與討論

3.4.6結(jié)論

3.5本章小結(jié)

第4章基于基因表達譜的癌癥分類

4.1引言

4.2基于BP、SVM和SKohonen的結(jié)腸癌的分類

4.2.1數(shù)據(jù)源

4.2.2數(shù)據(jù)處理

4.2.3實驗結(jié)果

4.2.4結(jié)論


4.3基于人工神經(jīng)網(wǎng)絡的子宮內(nèi)膜癌的分類

4.3.1數(shù)據(jù)源

4.3.2基于人工神經(jīng)網(wǎng)絡分類器的子宮內(nèi)膜癌的分類

4.3.3基于改進的灰狼算法的子宮內(nèi)膜癌的識別

4.4本章小結(jié)

第5章三類傳染病的預測

5.1引言

5.2改進的人工蜂群算法對手足口病發(fā)病人數(shù)的預測

5.2.1基本蜂群算法

5.2.2改進的ABC算法

5.2.3ABCIWBP預測模型

5.2.4實驗

5.2.5結(jié)論

5.3基于改進的蟻獅優(yōu)化算法與人工神經(jīng)網(wǎng)絡的中國流感預測

5.3.1蟻獅優(yōu)化算法

5.3.2改進的蟻獅算法

5.3.3基準函數(shù)的極值尋優(yōu)

5.3.4IALO算法優(yōu)化BP神經(jīng)網(wǎng)絡實現(xiàn)中國流感預測

5.3.5討論

5.3.6結(jié)論

5.4基于改進的人工樹算法和人工神經(jīng)網(wǎng)絡的流感樣病例預測

5.4.1IATBPNN預測模型

5.4.2實驗

5.4.3討論

5.4.4結(jié)論

5.5基于改進的遺傳算法與人工神經(jīng)網(wǎng)絡的流感樣疾病的預測

5.5.1IWOGABPNN預測模型

5.5.2實驗

5.5.3結(jié)論

5.6基于改進的MVO算法與Elman神經(jīng)網(wǎng)絡的流感樣疾病的預測

5.6.1多元優(yōu)化器

5.6.2改進的MVO算法

5.6.3實驗

5.6.4結(jié)論

5.7本章小結(jié)


第6章機器人轉(zhuǎn)向及地表水水質(zhì)分類

6.1引言

6.2基于PSO與GSA的地表水水質(zhì)及機器人轉(zhuǎn)向分類

6.2.1引力搜索算法

6.2.2分類模型

6.2.3實驗

6.2.4討論

6.2.5結(jié)論

6.3基于PCA和改進的PSOSVM機器人轉(zhuǎn)向分類

6.3.1基于PCA和改進的PSO算法優(yōu)化SVM的分類模型

PSOSVM

6.3.2實驗結(jié)果

6.3.3結(jié)論

6.4本章小結(jié)

第7章空氣質(zhì)量指數(shù)的預測與分類
7.1引言

7.2基于ISSASVM的空氣質(zhì)量的等級分類

7.2.1數(shù)據(jù)源

7.2.2實驗結(jié)果

7.2.3結(jié)論

7.3基于改進的鯨優(yōu)化算法的空氣質(zhì)量指數(shù)的預測

7.3.1鯨優(yōu)化算法

7.3.2改進的鯨優(yōu)化算法

7.3.3函數(shù)極值尋優(yōu)

7.3.4基于IWOA的太原市AQI預測

7.3.5結(jié)論

7.4基于改進的粒子群算法和RBF神經(jīng)網(wǎng)絡的空氣質(zhì)量指數(shù)預測

7.4.1慣性權(quán)重的選擇

7.4.2EDIWPSO算法優(yōu)化的PBF模型

7.4.3實驗

7.4.4結(jié)論

7.5基于TVIWPSOGSA算法與SVM的空氣質(zhì)量的等級分類

7.5.1分類模型

7.5.2實驗

7.5.3結(jié)論


7.6基于改進的思維進化算法與BP神經(jīng)網(wǎng)絡的AQI預測

7.6.1思維進化算法

7.6.2改進的MEA算法

7.6.3基于MEAPSOGA的BP神經(jīng)網(wǎng)絡

7.6.4空氣質(zhì)量指數(shù)預測結(jié)果及分析

7.6.5結(jié)論

7.7基于飛蛾撲火算法與支持向量機的空氣質(zhì)量指數(shù)預測

7.7.1飛蛾撲火優(yōu)化算法

7.7.2MFOSVM算法

7.7.3實驗

7.7.4結(jié)論

7.8本章小結(jié)

第8章股市指數(shù)預測

8.1引言

8.2基于改進的正余弦算法的股票指數(shù)預測

8.2.1正余弦算法

8.2.2預測模型

8.2.3實驗

8.2.4結(jié)論和討論

8.3基于改進的Harris鷹優(yōu)化算法與極限學習機的股票指數(shù)預測

8.3.1數(shù)據(jù)源

8.3.2基于IHHO和極限學習機的預測模型

8.3.3實驗結(jié)果

8.3.4討論

8.3.5結(jié)論

8.4基于改進的動態(tài)粒子群優(yōu)化和AdaBoost算法的股票指數(shù)預測

8.4.1AdaBoost算法

8.4.2基于EDIWPSO和AdaBoost算法的GRBF模型

8.4.3實驗

8.4.4結(jié)論

8.5本章小結(jié)

附錄

參考文獻