改進的群智能算法及其應用

定　價：￥65.00

作　者：	胡紅萍著
出版社：	清華大學出版社
叢編項：
標　簽：	暫缺

購買這本書可以去

ISBN：	9787302569633	出版時間：	2021-01-01	包裝：	平裝
開本：	16開	頁數(shù)：	264	字數(shù)：

內容簡介

　　本書主要包括利用改進的卷積神經網絡實現(xiàn)合成孔徑雷達目標識別，提出了改進的群智能算法，并結合機器學習實現(xiàn)合成孔徑雷達目標識別、MEMS矢量水聽器信號的去噪估計、癌癥分類、傳染病預測、空氣質量指數(shù)預測與等級分類、機器人轉向分類和地質水水質分類。本書有較強的實用性和應用性，既結合實際應用的需要，又從理論上加以指導。本書可作為應用數(shù)學、信號處理、圖像處理、優(yōu)化算法、預測與分類等方向研究生學習，還可供從事機器學習的科研工作者參考。

作者簡介

　　胡紅萍，1973年7月生，博士，中北大學副教授，碩士生導師，主持山西省自然科學基金1項、山西省回國留學人員科研資助項目1項、山西省青年科技研究基金1項和博士后自然科學基金1項，參加國家自然科學基金4項、山西省自然科學基金3項、山西省重點研發(fā)計劃項目1項，發(fā)表論文50余篇，其中高水平論文20余篇，山西省科技進步二等獎1項（排名第五）。主要從事人工智能、圖像識別、信號處理、預測與分類等研究。

圖書目錄

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機器人移動轉向與地表水水質分類

1.3.6空氣質量指數(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結論

2.4本章小結

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結果分析與討論

3.4.6結論

3.5本章小結

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實驗結果

4.2.4結論

4.3基于人工神經網絡的子宮內膜癌的分類

4.3.1數(shù)據(jù)源

4.3.2基于人工神經網絡分類器的子宮內膜癌的分類

4.3.3基于改進的灰狼算法的子宮內膜癌的識別

4.4本章小結

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結論

5.3基于改進的蟻獅優(yōu)化算法與人工神經網絡的中國流感預測

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神經網絡實現(xiàn)中國流感預測

5.3.5討論

5.3.6結論

5.4基于改進的人工樹算法和人工神經網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結論

5.5基于改進的遺傳算法與人工神經網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結論

5.6基于改進的MVO算法與Elman神經網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結論

5.7本章小結

第6章機器人轉向及地表水水質分類

6.1引言

6.2基于PSO與GSA的地表水水質及機器人轉向分類

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結論

6.3基于PCA和改進的PSOSVM機器人轉向分類

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實驗結果

6.3.3結論

6.4本章小結

第7章空氣質量指數(shù)的預測與分類
7.1引言

7.2基于ISSASVM的空氣質量的等級分類

7.2.1數(shù)據(jù)源

7.2.2實驗結果

7.2.3結論

7.3基于改進的鯨優(yōu)化算法的空氣質量指數(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結論

7.4基于改進的粒子群算法和RBF神經網絡的空氣質量指數(shù)預測

7.4.1慣性權重的選擇

7.4.2EDIWPSO算法優(yōu)化的PBF模型

7.4.3實驗

7.4.4結論

7.5基于TVIWPSOGSA算法與SVM的空氣質量的等級分類

7.5.1分類模型

7.5.2實驗

7.5.3結論

7.6基于改進的思維進化算法與BP神經網絡的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神經網絡

7.6.4空氣質量指數(shù)預測結果及分析

7.6.5結論

7.7基于飛蛾撲火算法與支持向量機的空氣質量指數(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結論

7.8本章小結

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實驗結果

8.3.4討論

8.3.5結論

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結論

8.5本章小結

附錄

參考文獻