人工免疫算法改進(jìn)及其應(yīng)用

第1章 緒論
1.1 背景與意義
1.2 大氣質(zhì)量評(píng)價(jià)與預(yù)測(cè)
1.2.1 大氣與大氣污染
1.2.2 大氣污染及危害
1.2.3 國(guó)內(nèi)外大氣質(zhì)量研究現(xiàn)狀
1.3 本書主要研究?jī)?nèi)容
1.4 本書結(jié)構(gòu)安排
參考文獻(xiàn)
第2章 計(jì)算智能概述
2.1 人工神經(jīng)網(wǎng)絡(luò)簡(jiǎn)介
2.1.1 神經(jīng)網(wǎng)絡(luò)的發(fā)展
2.1.2 神經(jīng)元及變換函數(shù)
2.1.3 神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)
2.1.4 神經(jīng)網(wǎng)絡(luò)分類
2.1.5 神經(jīng)網(wǎng)絡(luò)工作方式
2.1.6 神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)方法
2.2 進(jìn)化計(jì)算
2.2.1 進(jìn)化計(jì)算生物學(xué)基礎(chǔ)
2.2.2 進(jìn)化計(jì)算發(fā)展
2.2.3 進(jìn)化計(jì)算主要分支
2.2.4 進(jìn)化計(jì)算的主要特征
2.3 人工免疫系統(tǒng)
2.3.1 人工免疫系統(tǒng)的發(fā)展
2.3.2 免疫系統(tǒng)的生物學(xué)機(jī)理
2.3.3 人工免疫系統(tǒng)模型
2.3.4 人工免疫系統(tǒng)應(yīng)用
2.3.5 免疫系統(tǒng)特性
2.3.6 人工免疫算法
2.4 本章小結(jié)
參考文獻(xiàn)
第3章 人工免疫克隆選擇算法
3.1 免疫克隆選擇算法研究現(xiàn)狀
3.2 傳統(tǒng)免疫克隆選擇算法
3.2.1 傳統(tǒng)免疫克隆選擇算法
3.2.2 傳統(tǒng)免疫克隆選擇算法的不足
3.3 引入疫苗接種策略的免疫克隆選擇算法
3.3.1 抗體克隆的規(guī)模和疫苗的提取
3.3.2 疫苗的選擇
3.3.3 疫苗的接種
3.3.4 算法描述
3.4 引入局部高斯變異算子的免疫克隆選擇算法
3.4.1 局部高斯變異算子的構(gòu)造
3.4.2 算法描述
3.5 引入疫苗接種策略和高斯變異算子的免疫克隆選擇算法
3.5.1 問(wèn)題的提出
3.5.2 算法描述
3.6 本章小結(jié)
參考文獻(xiàn)
第4章 基于改進(jìn)免疫克隆選擇算法優(yōu)化的大氣質(zhì)量評(píng)價(jià)模型及其應(yīng)用
4.1 大氣污染損害率普適公式
4.2 改進(jìn)免疫克隆選擇算法優(yōu)化參數(shù)
4.2.1 構(gòu)造目標(biāo)函數(shù)
4.2.2 傳統(tǒng)免疫克隆選擇算法優(yōu)化參數(shù)
4.2.3 引入疫苗接種策略的免疫克隆選擇算法優(yōu)化參數(shù)
4.2.4 引入局部高斯變異算子的免疫克隆選擇算法優(yōu)化參數(shù)
4.2.5 引入疫苗接種策略和高斯變異算子的免疫克隆選擇算法優(yōu)化參數(shù)
4.3 四種算法的比較與性能分析
4.3.1 算法比較的約束條件
4.3.2 四種算法比較與性能分析
4.4 基于改進(jìn)免疫克隆選擇算法的大氣質(zhì)量綜合污染評(píng)價(jià)模型
4.5 五個(gè)級(jí)別大氣污染損害率取值范圍的確定
4.6 某城市大氣質(zhì)量評(píng)價(jià)結(jié)果及分析
4.7 十個(gè)監(jiān)測(cè)點(diǎn)大氣質(zhì)量評(píng)價(jià)結(jié)果及與其他評(píng)價(jià)方法的比較和分析
4.8 本章小結(jié)
參考文獻(xiàn)
第5章 基于免疫克隆選擇算法優(yōu)化的動(dòng)態(tài)遞歸神經(jīng)網(wǎng)絡(luò)
5.1 Elman神經(jīng)網(wǎng)絡(luò)
5.1.1 Elman神經(jīng)網(wǎng)絡(luò)數(shù)學(xué)模型
5.1.2 Elman神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法
5.1.3 Elman神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法的缺陷
5.2 基于改進(jìn)免疫克隆選擇算法優(yōu)化的動(dòng)態(tài)遞歸神經(jīng)網(wǎng)絡(luò)
5.2.1 多參分析
5.2.2 動(dòng)態(tài)閾值
5.2.3 算法描述
5.3 本章小結(jié)
參考文獻(xiàn)
第6章 引入趨勢(shì)信息的雙反饋Elman神經(jīng)網(wǎng)絡(luò)
6.1 趨勢(shì)信息
6.2 雙反饋Elman神經(jīng)網(wǎng)絡(luò)
6.3 引入趨勢(shì)信息的雙反饋Elman神經(jīng)網(wǎng)絡(luò)
6.4 本章小結(jié)
參考文獻(xiàn)
第7章 若干算法在大氣質(zhì)量預(yù)測(cè)中的應(yīng)用
7.1 性能評(píng)價(jià)指標(biāo)
7.2 基本Elman神經(jīng)網(wǎng)絡(luò)在大氣質(zhì)量擬合中的應(yīng)用
7.2.1 基本Elman神經(jīng)網(wǎng)絡(luò)擬合實(shí)驗(yàn)
7.2.2 仿真實(shí)驗(yàn)
7.3 引入趨勢(shì)信息Elman神經(jīng)網(wǎng)絡(luò)在大氣質(zhì)量擬合中的應(yīng)用
7.3.1 引入趨勢(shì)信息Elman神經(jīng)網(wǎng)絡(luò)擬合實(shí)驗(yàn)
7.3.2 仿真實(shí)驗(yàn)
7.4 基于免疫克隆選擇算法優(yōu)化的Elman神經(jīng)網(wǎng)絡(luò)在大氣質(zhì)量擬合中的應(yīng)用
7.4.1 基于免疫克隆選擇算法優(yōu)化的Elman神經(jīng)網(wǎng)絡(luò)擬合實(shí)驗(yàn)
7.4.2 仿真實(shí)驗(yàn)
7.5 幾種算法在大氣質(zhì)量擬合應(yīng)用中的比較
7.6 幾種算法在大氣質(zhì)量預(yù)測(cè)中的應(yīng)用
7.6.1 基本Elman神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)大氣質(zhì)量
7.6.2 引入趨勢(shì)信息的雙反饋Elman神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)大氣質(zhì)量
7.6.3 基于免疫克隆選擇算法優(yōu)化Elman神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)大氣質(zhì)量
7.6.4 仿真實(shí)驗(yàn)與結(jié)果分析
7.7 本章小結(jié)
參考文獻(xiàn)
第8章 基于粒子群算法優(yōu)化的大氣質(zhì)量評(píng)價(jià)模型及其應(yīng)用
8.1 我國(guó)最常使用的API大氣質(zhì)量評(píng)價(jià)法
8.2 粒子群優(yōu)化算法概述
8.2.1 粒子群優(yōu)化算法原理
8.2.2 粒子群優(yōu)化算法流程
8.3 基于粒子群優(yōu)化算法大氣質(zhì)量指數(shù)評(píng)價(jià)模型
8.3.1 大氣質(zhì)量綜合污染損害指數(shù)評(píng)價(jià)模型
8.4 仿真模擬與分析
8.5 本章小結(jié)
參考文獻(xiàn)
第9章 結(jié)論與展望
9.1 結(jié)論
9.2 展望
……