改进的群智能算法及其应用

本书主要包括利用改进的卷积神经网络实现合成孔径雷达目标识别，提出了改进的群智能算法，并结合机器学习实现合成孔径雷达目标识别、MEMS矢量水听器信号的去噪估计、癌症分类、传染病预测、空气质量指数预测与等级分类、机器人转向分类和地质水水质分类。本书有较强的实用性和应用性，既结合实际应用的需要，又从理论上加以指导。本书可作为应用数学、信号处理、图像处理、优化算法、预测与分类等方向研究生学习，还可供从事机器学习的科研工作者参考。

胡红萍，1973年7月生，博士，中北大学副教授，硕士生导师，主持山西省自然科学基金1项、山西省回国留学人员科研资助项目1项、山西省青年科技研究基金1项和博士后自然科学基金1项，参加国家自然科学基金4项、山西省自然科学基金3项、山西省重点研发计划项目1项，发表论文50余篇，其中高水平论文20余篇，山西省科技进步二等奖1项（排名第五）。主要从事人工智能、图像识别、信号处理、预测与分类等研究。

目录

第1章绪论

1.1引言

1.2群智能算法与机器学习

1.2.1群智能算法

1.2.2机器学习

1.2.3机器学习与群智能优化算法的结合

1.3发展概述

1.3.1合成孔径雷达目标识别

1.3.2MEMS矢量水听器信号去噪和DOA估计

1.3.3基于基因表达谱的癌症分类

1.3.4传染病预测

1.3.5机器人移动转向与地表水水质分类

1.3.6空气质量指数的预测与分类

1.3.7股票指数预测

1.3.8预测性能指标

1.4本书的主要内容

第2章基于机器学习的合成孔径雷达目标识别

2.1引言

2.2基于CNN的合成孔径雷达目标识别

2.2.1基本CNN

2.2.2数据集

2.2.3数据预处理

2.2.4基于CNN与RF的合成孔径雷达目标识别

2.2.5基于CNNPCADT算法的SAR目标识别

2.3基于Harris鹰优化算法与支持向量机的SAR目标识别

2.3.1基本算法

2.3.2改进的Harris鹰算法

2.3.3函数极值寻优

2.3.4基于IHHO和SVM的SAR目标识别

2.3.5结论

2.4本章小结

第3章MEMS水听器的信号去噪与DOA估计

3.1引言

3.2基于变分模态分解和小波阈值处理的去噪和基线漂移去除方法

3.2.1基本原理

3.2.2基于VMD和NWT的联合去噪方法

3.2.3仿真数据去噪

3.2.4湖泊实验

3.2.5结论

3.3基于IGA小波软阈值的矢量水听器的去噪方法

3.3.1遗传算法

3.3.2基于改进遗传算法的去噪方法

3.3.3仿真实验

3.3.4实测实验

3.3.5结论

3.4改进的飞鼠搜索算法与DML的矢量水听器的DOA估计

3.4.1基本算法

3.4.2基于SSA和IWO的混合算法

3.4.3基准函数的极值寻优

3.4.4基于ISSADML的DOA估计

3.4.5结果分析与讨论

3.4.6结论

3.5本章小结

第4章基于基因表达谱的癌症分类

4.1引言

4.2基于BP、SVM和SKohonen的结肠癌的分类

4.2.1数据源

4.2.2数据处理

4.2.3实验结果

4.2.4结论

4.3基于人工神经网络的子宫内膜癌的分类

4.3.1数据源

4.3.2基于人工神经网络分类器的子宫内膜癌的分类

4.3.3基于改进的灰狼算法的子宫内膜癌的识别

4.4本章小结

第5章三类传染病的预测

5.1引言

5.2改进的人工蜂群算法对手足口病发病人数的预测

5.2.1基本蜂群算法

5.2.2改进的ABC算法

5.2.3ABCIWBP预测模型

5.2.4实验

5.2.5结论

5.3基于改进的蚁狮优化算法与人工神经网络的中国流感预测

5.3.1蚁狮优化算法

5.3.2改进的蚁狮算法

5.3.3基准函数的极值寻优

5.3.4IALO算法优化BP神经网络实现中国流感预测

5.3.5讨论

5.3.6结论

5.4基于改进的人工树算法和人工神经网络的流感样病例预测

5.4.1IATBPNN预测模型

5.4.2实验

5.4.3讨论

5.4.4结论

5.5基于改进的遗传算法与人工神经网络的流感样疾病的预测

5.5.1IWOGABPNN预测模型

5.5.2实验

5.5.3结论

5.6基于改进的MVO算法与Elman神经网络的流感样疾病的预测

5.6.1多元优化器

5.6.2改进的MVO算法

5.6.3实验

5.6.4结论

5.7本章小结

第6章机器人转向及地表水水质分类

6.1引言

6.2基于PSO与GSA的地表水水质及机器人转向分类

6.2.1引力搜索算法

6.2.2分类模型

6.2.3实验

6.2.4讨论

6.2.5结论

6.3基于PCA和改进的PSOSVM机器人转向分类

6.3.1基于PCA和改进的PSO算法优化SVM的分类模型

PSOSVM

6.3.2实验结果

6.3.3结论

6.4本章小结

第7章空气质量指数的预测与分类

7.1引言

7.2基于ISSASVM的空气质量的等级分类

7.2.1数据源

7.2.2实验结果

7.2.3结论

7.3基于改进的鲸优化算法的空气质量指数的预测

7.3.1鲸优化算法

7.3.2改进的鲸优化算法

7.3.3函数极值寻优

7.3.4基于IWOA的太原市AQI预测

7.3.5结论

7.4基于改进的粒子群算法和RBF神经网络的空气质量指数预测

7.4.1惯性权重的选择

7.4.2EDIWPSO算法优化的PBF模型

7.4.3实验

7.4.4结论

7.5基于TVIWPSOGSA算法与SVM的空气质量的等级分类

7.5.1分类模型

7.5.2实验

7.5.3结论

7.6基于改进的思维进化算法与BP神经网络的AQI预测

7.6.1思维进化算法

7.6.2改进的MEA算法

7.6.3基于MEAPSOGA的BP神经网络

7.6.4空气质量指数预测结果及分析

7.6.5结论

7.7基于飞蛾扑火算法与支持向量机的空气质量指数预测

7.7.1飞蛾扑火优化算法

7.7.2MFOSVM算法

7.7.3实验

7.7.4结论

7.8本章小结

第8章股市指数预测

8.1引言

8.2基于改进的正余弦算法的股票指数预测

8.2.1正余弦算法

8.2.2预测模型

8.2.3实验

8.2.4结论和讨论

8.3基于改进的Harris鹰优化算法与极限学习机的股票指数预测

8.3.1数据源

8.3.2基于IHHO和极限学习机的预测模型

8.3.3实验结果

8.3.4讨论

8.3.5结论

8.4基于改进的动态粒子群优化和AdaBoost算法的股票指数预测

8.4.1AdaBoost算法

8.4.2基于EDIWPSO和AdaBoost算法的GRBF模型

8.4.3实验

8.4.4结论

8.5本章小结

附录

参考文献

前言

机器学习是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域。机器学习的参数很多都是任意性的，这就造成问题的最优解不稳定，而群智能算法是从一组任意初始解开始，不断地根据更新方式更新种群，随着任意解的更新和迭代次数的增加，趋向于全局最优解。因此，在许多群智能算法与机器学习等方面科技工作者的努力下，将群智能算法与机器学习相结合构成新的算法应用于图像目标识别、信号处理、医学、环境等方面，并取得了许多新的成果。近年来，我和我的研究生在山西省自然科学基金、国家自然科学基金、山西省重点研发计划项目

和山西省研究生教育改革（指令性）研究课题

的支持下一直从事群智能算法与机器学习方面的研究工作，本书是我们近几年在学习和研究工作上的总结。

全书共分8章。第1章介绍了群智能算法与机器学习的发展动态及其在合成孔径雷达、MEMS矢量水听器、癌症、传染病、空气质量指数、股票、机器人转向及水质等方面的发展概况。第2章分别利用改进的卷积神经网络和Harris鹰优化算法优化支持向量机实现合成孔径雷达目标识别。第3章将变分模态分解、遗传算法分别与小波阈值处理相结合实现MEMS矢量水听器的去噪，改进的飞鼠搜索算法优化支持向量机实现波达方向角估计。第4章利用人工神经网络对结肠癌和子宫内膜癌进行分类识别以及改进的灰狼算法优化Elman神经网络实现子宫内膜癌的分类识别。第5章利用改进的人工蜂群算法优化BP神经网络对中国手足口病发病人数进行预测，改进的蚁狮算法优化BP神经网络对中国流感进行预测，改进的人工树算法、改进的遗传算法、改进的多元分类器分别优化神经网络预测美国流感样疾病。第6章利用改进的粒子群算法与重力搜索算法相结合优化BP神经网络移动机器人的转向与地下水水质分类问题，利用主成分分析法降维和改进的粒子群优化算法优化支持向量机实现机器人

转向分类。第7章利用改进的飞鼠搜索算法、改进的鲸优化算法、改进的粒子群算法、改进的思维进化算法和飞蛾扑火算法分别优化机器学习实现空气质量指数的预测或等级分类。第8章利用改进的正余弦算法和改进的Harris鹰优化算法分别与机器学习相结合对美国的两类股票指数进行预测，同时考虑了Google Trends的影响，以及改进的粒子群算法与AdaBoost算法相结合优化广义径向基神经网络对上证指数进行预测。

本书的研究主题是群智能算法与机器学习的预测与分类，其中涉及了现代信号处理、神经网络和现代优化算法的一些基本内容。本书重点放在群智能算法与机器学习相结合的思想上和应用上，

作者力求让读者既掌握群智能算法和机器学习的知识，又能让读者体会群智能算法与机器学习相结合能够解决实际问题的能力，使读者学有所得。

本书可作为本科生的教科书和参考用书，也可作为应用数学、信号处理、图像处理、优化算法、预测与分类等方向的研究生学习用书，还可供从事机器学习的科研工作者参考。

本书能得以完成和出版，得到了山西省自然科学基金(201801D121026)、山西省回国留学人员科研资助项目(2020104)、国家自然科学基金(61774137)、山西省重点研发计划项目(201903D121156)

和山西省研究生教育改革（指令性）研究课题（2020YJJG234）

的大力支持，得到了国内外同行的帮助和鼓励，特别是我的同事白艳萍教授、谭秀辉讲师、程蓉讲师

和续婷讲师提出宝贵的意见以及研究生卢金娜、薛红新、崔霞霞、高帅、张琳梅、李洋洋的帮助修改，在此表示感谢。由于时间仓促，书中难免有疏漏或不当之处，望读者朋友不吝指出。

胡红萍2020年5月