改進(jìn)的群智能算法及其應(yīng)用

定　價(jià)：￥65.00

作　者：	胡紅萍著
出版社：	清華大學(xué)出版社
叢編項(xiàng)：
標(biāo)　簽：	暫缺

購(gòu)買(mǎi)這本書(shū)可以去

ISBN：	9787302569633	出版時(shí)間：	2021-01-01	包裝：	平裝
開(kāi)本：	16開(kāi)	頁(yè)數(shù)：	264	字?jǐn)?shù)：

內(nèi)容簡(jiǎn)介

　　本書(shū)主要包括利用改進(jìn)的卷積神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)合成孔徑雷達(dá)目標(biāo)識(shí)別，提出了改進(jìn)的群智能算法，并結(jié)合機(jī)器學(xué)習(xí)實(shí)現(xiàn)合成孔徑雷達(dá)目標(biāo)識(shí)別、MEMS矢量水聽(tīng)器信號(hào)的去噪估計(jì)、癌癥分類、傳染病預(yù)測(cè)、空氣質(zhì)量指數(shù)預(yù)測(cè)與等級(jí)分類、機(jī)器人轉(zhuǎn)向分類和地質(zhì)水水質(zhì)分類。本書(shū)有較強(qiáng)的實(shí)用性和應(yīng)用性，既結(jié)合實(shí)際應(yīng)用的需要，又從理論上加以指導(dǎo)。本書(shū)可作為應(yīng)用數(shù)學(xué)、信號(hào)處理、圖像處理、優(yōu)化算法、預(yù)測(cè)與分類等方向研究生學(xué)習(xí)，還可供從事機(jī)器學(xué)習(xí)的科研工作者參考。

作者簡(jiǎn)介

　　胡紅萍，1973年7月生，博士，中北大學(xué)副教授，碩士生導(dǎo)師，主持山西省自然科學(xué)基金1項(xiàng)、山西省回國(guó)留學(xué)人員科研資助項(xiàng)目1項(xiàng)、山西省青年科技研究基金1項(xiàng)和博士后自然科學(xué)基金1項(xiàng)，參加國(guó)家自然科學(xué)基金4項(xiàng)、山西省自然科學(xué)基金3項(xiàng)、山西省重點(diǎn)研發(fā)計(jì)劃項(xiàng)目1項(xiàng)，發(fā)表論文50余篇，其中高水平論文20余篇，山西省科技進(jìn)步二等獎(jiǎng)1項(xiàng)（排名第五）。主要從事人工智能、圖像識(shí)別、信號(hào)處理、預(yù)測(cè)與分類等研究。

圖書(shū)目錄

目錄

第1章緒論

1.1引言

1.2群智能算法與機(jī)器學(xué)習(xí)

1.2.1群智能算法

1.2.2機(jī)器學(xué)習(xí)

1.2.3機(jī)器學(xué)習(xí)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(dá)目標(biāo)識(shí)別

1.3.2MEMS矢量水聽(tīng)器信號(hào)去噪和DOA估計(jì)

1.3.3基于基因表達(dá)譜的癌癥分類

1.3.4傳染病預(yù)測(cè)

1.3.5機(jī)器人移動(dòng)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(yù)測(cè)與分類

1.3.7股票指數(shù)預(yù)測(cè)

1.3.8預(yù)測(cè)性能指標(biāo)

1.4本書(shū)的主要內(nèi)容

第2章基于機(jī)器學(xué)習(xí)的合成孔徑雷達(dá)目標(biāo)識(shí)別

2.1引言

2.2基于CNN的合成孔徑雷達(dá)目標(biāo)識(shí)別

2.2.1基本CNN

2.2.2數(shù)據(jù)集

2.2.3數(shù)據(jù)預(yù)處理

2.2.4基于CNN與RF的合成孔徑雷達(dá)目標(biāo)識(shí)別

2.2.5基于CNNPCADT算法的SAR目標(biāo)識(shí)別

2.3基于Harris鷹優(yōu)化算法與支持向量機(jī)的SAR目標(biāo)識(shí)別

2.3.1基本算法

2.3.2改進(jìn)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(biāo)識(shí)別

2.3.5結(jié)論

2.4本章小結(jié)

第3章MEMS水聽(tīng)器的信號(hào)去噪與DOA估計(jì)

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(shí)驗(yàn)

3.2.5結(jié)論

3.3基于IGA小波軟閾值的矢量水聽(tīng)器的去噪方法

3.3.1遺傳算法

3.3.2基于改進(jìn)遺傳算法的去噪方法

3.3.3仿真實(shí)驗(yàn)

3.3.4實(shí)測(cè)實(shí)驗(yàn)

3.3.5結(jié)論

3.4改進(jìn)的飛鼠搜索算法與DML的矢量水聽(tīng)器的DOA估計(jì)

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(zhǔn)函數(shù)的極值尋優(yōu)

3.4.4基于ISSADML的DOA估計(jì)

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(dá)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(shí)驗(yàn)結(jié)果

4.2.4結(jié)論

4.3基于人工神經(jīng)網(wǎng)絡(luò)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(luò)分類器的子宮內(nèi)膜癌的分類

4.3.3基于改進(jìn)的灰狼算法的子宮內(nèi)膜癌的識(shí)別

4.4本章小結(jié)

第5章三類傳染病的預(yù)測(cè)

5.1引言

5.2改進(jìn)的人工蜂群算法對(duì)手足口病發(fā)病人數(shù)的預(yù)測(cè)

5.2.1基本蜂群算法

5.2.2改進(jìn)的ABC算法

5.2.3ABCIWBP預(yù)測(cè)模型

5.2.4實(shí)驗(yàn)

5.2.5結(jié)論

5.3基于改進(jìn)的蟻獅優(yōu)化算法與人工神經(jīng)網(wǎng)絡(luò)的中國(guó)流感預(yù)測(cè)

5.3.1蟻獅優(yōu)化算法

5.3.2改進(jìn)的蟻獅算法

5.3.3基準(zhǔn)函數(shù)的極值尋優(yōu)

5.3.4IALO算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)中國(guó)流感預(yù)測(cè)

5.3.5討論

5.3.6結(jié)論

5.4基于改進(jìn)的人工樹(shù)算法和人工神經(jīng)網(wǎng)絡(luò)的流感樣病例預(yù)測(cè)

5.4.1IATBPNN預(yù)測(cè)模型

5.4.2實(shí)驗(yàn)

5.4.3討論

5.4.4結(jié)論

5.5基于改進(jìn)的遺傳算法與人工神經(jīng)網(wǎng)絡(luò)的流感樣疾病的預(yù)測(cè)

5.5.1IWOGABPNN預(yù)測(cè)模型

5.5.2實(shí)驗(yàn)

5.5.3結(jié)論

5.6基于改進(jìn)的MVO算法與Elman神經(jīng)網(wǎng)絡(luò)的流感樣疾病的預(yù)測(cè)

5.6.1多元優(yōu)化器

5.6.2改進(jìn)的MVO算法

5.6.3實(shí)驗(yàn)

5.6.4結(jié)論

5.7本章小結(jié)

第6章機(jī)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(jī)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(shí)驗(yàn)

6.2.4討論

6.2.5結(jié)論

6.3基于PCA和改進(jìn)的PSOSVM機(jī)器人轉(zhuǎn)向分類

6.3.1基于PCA和改進(jìn)的PSO算法優(yōu)化SVM的分類模型

PSOSVM

6.3.2實(shí)驗(yàn)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(yù)測(cè)與分類
7.1引言

7.2基于ISSASVM的空氣質(zhì)量的等級(jí)分類

7.2.1數(shù)據(jù)源

7.2.2實(shí)驗(yàn)結(jié)果

7.2.3結(jié)論

7.3基于改進(jìn)的鯨優(yōu)化算法的空氣質(zhì)量指數(shù)的預(yù)測(cè)

7.3.1鯨優(yōu)化算法

7.3.2改進(jìn)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(yù)測(cè)

7.3.5結(jié)論

7.4基于改進(jìn)的粒子群算法和RBF神經(jīng)網(wǎng)絡(luò)的空氣質(zhì)量指數(shù)預(yù)測(cè)

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(shí)驗(yàn)

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(jí)分類

7.5.1分類模型

7.5.2實(shí)驗(yàn)

7.5.3結(jié)論

7.6基于改進(jìn)的思維進(jìn)化算法與BP神經(jīng)網(wǎng)絡(luò)的AQI預(yù)測(cè)

7.6.1思維進(jìn)化算法

7.6.2改進(jìn)的MEA算法

7.6.3基于MEAPSOGA的BP神經(jīng)網(wǎng)絡(luò)

7.6.4空氣質(zhì)量指數(shù)預(yù)測(cè)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(jī)的空氣質(zhì)量指數(shù)預(yù)測(cè)

7.7.1飛蛾撲火優(yōu)化算法

7.7.2MFOSVM算法

7.7.3實(shí)驗(yàn)

7.7.4結(jié)論

7.8本章小結(jié)

第8章股市指數(shù)預(yù)測(cè)

8.1引言

8.2基于改進(jìn)的正余弦算法的股票指數(shù)預(yù)測(cè)

8.2.1正余弦算法

8.2.2預(yù)測(cè)模型

8.2.3實(shí)驗(yàn)

8.2.4結(jié)論和討論

8.3基于改進(jìn)的Harris鷹優(yōu)化算法與極限學(xué)習(xí)機(jī)的股票指數(shù)預(yù)測(cè)

8.3.1數(shù)據(jù)源

8.3.2基于IHHO和極限學(xué)習(xí)機(jī)的預(yù)測(cè)模型

8.3.3實(shí)驗(yàn)結(jié)果

8.3.4討論

8.3.5結(jié)論

8.4基于改進(jìn)的動(dòng)態(tài)粒子群優(yōu)化和AdaBoost算法的股票指數(shù)預(yù)測(cè)

8.4.1AdaBoost算法

8.4.2基于EDIWPSO和AdaBoost算法的GRBF模型

8.4.3實(shí)驗(yàn)

8.4.4結(jié)論

8.5本章小結(jié)

附錄

參考文獻(xiàn)