1.4　本书的主要内容

本书主要总结了作者在近几年关于群智能算法与机器学习的研究成果，其主要内容为：

第1章介绍了群智能算法与机器学习在预测与分类识别方面的研究状态与进展，给出了预测模型的评价指标。

第2章将卷积神经网络分别与随机森林和决策树相结合建立了混合模型CNN-RF和CNN-PCA-DT实现SAR目标识别，利用基准函数极值寻优验证提出的改进Harris鹰优化算法（IHHO）的有效性，并将IHHO优化支持向量机实现SAR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，利用基准函数极值寻优验证提出的改进飞鼠搜索算法（ISSA）的有效性，并将ISSA优化支持向量机的参数实现DOA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神经网络的参数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；利用基准函数极值寻优验证提出的改进蚁狮算法（IALO）的有效性，并利用IALO优化BP神经网络对中国流感进行预测；改进的人工树算法、改进的遗传算法和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章将改进的粒子群算法与重力搜索算法相结合优化BP神经网络实现地表水水质分类和移动机器人的转向分类识别；利用主成分分析法对数据进行降维，利用改进的粒子群优化算法优化支持向量机实现移动机器人的转向分类。

第7章分别利用ISSA算法、指数递减的惯性权重的粒子群算法、改进的鲸优化算法、时变惯性权重的粒子群算法与重力搜索算法相结合的算法、改进的思维进化算法、飞蛾扑火算法优化机器学习对空气质量指数进行预测或等级分类。

第8章将改进的正余弦算法与BP神经网络相结合和IHHO算法与极限学习机相结合，对美国的两类股票指数进行预测，同时考虑了Google Trends的影响；指数递减的惯性权重的粒子群优化算法与AdaBoost算法相结合的混合算法优化广义径向基神经网络对上证综合指数进行预测。