本書重點放在群智能算法與機器學習相結合的算法及其應用上，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。

●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

本書闡述了群智能算法和機器學習的發展概述，重點介紹了典型的群智能算法與機器學習相結合的算法在合成孔徑雷達、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預測與分類，一定程度上反映了群智能算法與機器學習的近期新發展水平。
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算法及其應上，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。

胡紅萍 著