人工免疫算法改進及其應用

第1章 緒論
1.1 背景與意義
1.2 大氣質(zhì)量評價與預測
1.2.1 大氣與大氣污染
1.2.2 大氣污染及危害
1.2.3 國內(nèi)外大氣質(zhì)量研究現(xiàn)狀
1.3 本書主要研究內(nèi)容
1.4 本書結(jié)構(gòu)安排
參考文獻
第2章 計算智能概述
2.1 人工神經(jīng)網(wǎng)絡(luò)簡介
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)拓撲結(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)學習方法
2.2 進化計算
2.2.1 進化計算生物學基礎(chǔ)
2.2.2 進化計算發(fā)展
2.2.3 進化計算主要分支
2.2.4 進化計算的主要特征
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)的生物學機理
2.3.3 人工免疫系統(tǒng)模型
2.3.4 人工免疫系統(tǒng)應用
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
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 問題的提出
3.5.2 算法描述
3.6 本章小結(jié)
參考文獻
第4章 基于改進免疫克隆選擇算法優(yōu)化的大氣質(zhì)量評價模型及其應用
4.1 大氣污染損害率普適公式
4.2 改進免疫克隆選擇算法優(yōu)化參數(shù)
4.2.1 構(gòu)造目標函數(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 基于改進免疫克隆選擇算法的大氣質(zhì)量綜合污染評價模型
4.5 五個級別大氣污染損害率取值范圍的確定
4.6 某城市大氣質(zhì)量評價結(jié)果及分析
4.7 十個監(jiān)測點大氣質(zhì)量評價結(jié)果及與其他評價方法的比較和分析
4.8 本章小結(jié)
參考文獻
第5章 基于免疫克隆選擇算法優(yōu)化的動態(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)學模型
5.1.2 Elman神經(jīng)網(wǎng)絡(luò)學習算法
5.1.3 Elman神經(jīng)網(wǎng)絡(luò)學習算法的缺陷
5.2 基于改進免疫克隆選擇算法優(yōu)化的動態(tài)遞歸神經(jīng)網(wǎng)絡(luò)
5.2.1 多參分析
5.2.2 動態(tài)閾值
5.2.3 算法描述
5.3 本章小結(jié)
參考文獻
第6章 引入趨勢信息的雙反饋Elman神經(jīng)網(wǎng)絡(luò)
6.1 趨勢信息
6.2 雙反饋Elman神經(jīng)網(wǎng)絡(luò)
6.3 引入趨勢信息的雙反饋Elman神經(jīng)網(wǎng)絡(luò)
6.4 本章小結(jié)
參考文獻
第7章 若干算法在大氣質(zhì)量預測中的應用
7.1 性能評價指標
7.2 基本Elman神經(jīng)網(wǎng)絡(luò)在大氣質(zhì)量擬合中的應用
7.2.1 基本Elman神經(jīng)網(wǎng)絡(luò)擬合實驗
7.2.2 仿真實驗
7.3 引入趨勢信息Elman神經(jīng)網(wǎng)絡(luò)在大氣質(zhì)量擬合中的應用
7.3.1 引入趨勢信息Elman神經(jīng)網(wǎng)絡(luò)擬合實驗
7.3.2 仿真實驗
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)擬合實驗
7.4.2 仿真實驗
7.5 幾種算法在大氣質(zhì)量擬合應用中的比較
7.6 幾種算法在大氣質(zhì)量預測中的應用
7.6.1 基本Elman神經(jīng)網(wǎng)絡(luò)預測大氣質(zhì)量
7.6.2 引入趨勢信息的雙反饋Elman神經(jīng)網(wǎng)絡(luò)預測大氣質(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)預測大氣質(zhì)量
7.6.4 仿真實驗與結(jié)果分析
7.7 本章小結(jié)
參考文獻
第8章 基于粒子群算法優(yōu)化的大氣質(zhì)量評價模型及其應用
8.1 我國最常使用的API大氣質(zhì)量評價法
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)評價模型
8.3.1 大氣質(zhì)量綜合污染損害指數(shù)評價模型
8.4 仿真模擬與分析
8.5 本章小結(jié)
參考文獻
第9章 結(jié)論與展望
9.1 結(jié)論
9.2 展望
……