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化算法的結合

1.3發展概述

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基於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空氣質量指數的預測與分類

1.3.7股票指數預測

1.3.8預測性能指標

1.4本書的主要內容

第2章基於機器學習的合成孔徑雷達目標識別

2.1引言

2.2基於CNN的合成孔徑雷達目標識別

2.2.1基本CNN

2.2.2數據集

2.2.3數據預處理

2.2.4基於CNN與RF的合成孔徑雷達目標識別

2.2.5基於CNNPCADT算法的SAR目標識別

2.3基於Harris鷹優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函數極值尋優

2.3.4基於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基於變分模態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基於VMD和NWT的聯合去噪方法

3.2.3仿真數據去噪

3.2.4湖泊實驗

3.2.5結論

3.3基於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基於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基於SSA和IWO的混合算法

3.4.3基準函數的極值尋優

3.4.4基於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章基於基因表達譜的癌癥分類

4.1引言

4.2基於BP、SVM和SKohonen的結腸癌的分類

4.2.1數據源

4.2.2數據處理

4.2.3實驗結果

4.2.4結論

4.3基於人工神經網絡的子宮內膜癌的分類

4.3.1數據源

4.3.2基於人工神經網絡分類器的子宮內膜癌的分類

4.3.3基於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病人數的預測

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基於改進的蟻獅優化算法與人工神經網絡的中國流感預測

5.3.1蟻獅優化算法

5.3.2改進的蟻獅算法

5.3.3基準函數的極值尋優

5.3.4IALO算法優化BP神經網絡實現中國流感預測

5.3.5討論

5.3.6結論

5.4基於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基於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基於改進的MVO算法與Elman神經網絡的流感樣疾病的預測

5.6優化器

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基於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基於PCA和改進的PSOSVM機器人轉向分類

6.3.1基於PCA和改進的PSO算法優化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章空氣質量指數的預測與分類

7.1引言

7.2基於ISSASVM的空氣質量的等級分類

7.2.1數據源

7.2.2實驗結果

7.2.3結論

7.3基於改進的鯨優化算法的空氣質量指數的預測

7.3.1鯨優化算法

7.3.2改進的鯨優化算法

7.3.3函數極值尋優

7.3.4基於IWOA的太原市AQI預測

7.3.5結論

7.4基於改進的粒子群算法和RBF神經網絡的空氣質量指數預測

7.4.1慣性權重的選擇

7.4.2EDIW PSO算法優化的PBF模型

7.4.3實驗

7.4.4結論

7.5基於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基於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基於MEAPSOGA的BP神經網絡

7.6.4空氣質量指數預測結果及分析

7.6.5結論

7.7基於飛蛾撲火算法與支持向量機的空氣質量指數預測

7.7.1飛蛾撲火優化算法

7.7.2MFOSVM算法

7.7.3實驗

7.7.4結論

7.8本章小結

第8章股市指數預測

8.1引言

8.2基於改進的正餘弦算法的股票指數預測

8.2.1正餘弦算法

8.2.2預測模型

8.2.3實驗

8.2.4結論和討論

8.3基於改進的Harris鷹優化算法與極限學習機的股票指數預測

8.3.1數據源

8.3.2基於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基於改進的動態粒子群優化和AdaBoost算法的股票指數預測

8.4.1AdaBoost算法

8.4.2基於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

機器學習是人工智能的核心，是使計算機具有智能的根本途徑，其應用遍及人工智能的各個領域。機器學習的參數很多都是任意性的，這就造成問題的解不穩定，而群智能算法是從一組任意初始解開始，不斷地根據更新方式更新種群，隨著任意解的更新和迭代次數的增加，趨向於全局解。因此，在許多群智能算法與機器學習等方面科技工作者的努力下，將群智能算法與機器學習相結合構成新的算法應用於圖像目標識別、信號處理、醫學、環境等方面，並取得了許多新的成果。近年來，我和我的研究生在山西省自然科學基金、國家自然科學基金、山西省重點研發計劃項目和山西省研究生教育改革（指令性）研究課題的支持下一直從事群智能算法與機器學習方面的研究工作，本書是我們近幾年在學習和研究工作上的總結。

全書共分8章。第1章介紹了群智能算法與機器學習的發展動態及其在合成孔徑雷達、MEMS矢量水聽器、癌癥、傳染病、空氣質量指數、股票、機器人轉向及水質等方面的發展概況。第2章分別利用改進的卷積神經網絡和Harris鷹優化算法優化支持向量機實現合成孔徑雷達目標識別。第3章將變分模態分解、遺傳算法分別與小波閾值處理相結合實現MEMS矢量水聽器的去噪，改進的飛鼠搜索算法優化支持向量機實現波達方向角估計。第4章利用人工神經網絡對結腸癌和子宮內膜癌進行分類識別以及改進的灰狼算法優化Elman神經網絡實現子宮內膜癌的分類識別。第5章利用改進的人工蜂群算法優化BP神經網絡對中國手足口病發病人數進行預測，改進的蟻獅算法優化BP神經網絡對中國流感進行預測，改進的人工樹算法、改進的遺傳算法、改分類器分別優化神經網絡預測美國流感樣疾病。第6章利用改進的粒子群算法與重力搜索算法相結合優化BP神經網絡移動機器人的轉向與地下水水質分類問題，利用主成分分析法降維和改進的粒子群優化算法優化支持向量機實現機器人轉向分類。第7章利用改進的飛鼠搜索算法、改進的鯨優化算法、改進的粒子群算法、改進的思維進化算法和飛蛾撲火算法分別優化機器學習實現空氣質量指數的預測或等級分類。第8章利用改進的正餘弦算法和改進的Harris鷹優化算法分別與機器學習相結合對美國的兩類股票指數進行預測，同時考慮了Google Trends的影響，以及改進的粒子群算法與AdaBoost算法相結合優化廣義徑向基神經網絡對上證指數進行預測。

本書的研究主題是群智能算法與機器學習的預測與分類，其中涉及了現代信號處理、神經網絡和現代優化算法的一些基本內容。本書重點放在群智能算法與機器學習相結合的思想上和應用上，作者力求讓讀者既掌握群智能算法和機器學習的知識，又能讓讀者體會群智能算法與機器學習相結合能夠解決實際問題的能力，使讀者學有所得。

本書可作為本科生的教科書和參考用書，也可作為應用數學、信號處理、圖像處理、優化算法、預測與分類等方向的研究生學習用書，還可供從事機器學習的科研工作者參考。

本書能得以完成和出版，得到了山西省自然科學基金(201801D121026)、山西省回國留學人員科研資助項目(2020104)、國家自然科學基金(61774137)、山西省重點研發計劃項目(201903D121156)和山西省研究生教育改革（指令性）研究課題（2020YJJG234）的大力支持，得到了國內外同行的幫助和鼓勵，特別是我的同事白艷萍教授、譚秀輝講師、程蓉講師和續婷講師提出寶貴的意見以及研究生盧金娜、薛紅新、崔霞霞、高帥、張琳梅、李洋洋的幫助修改，在此表示感謝。由於時間倉促，書中難免有疏漏或不當之處，望讀者朋友不吝指出。

胡紅萍2020年5月