群智能算法在人脑功能划分中的应用

定　价：¥99.90

作　者：	赵学武李玲玲罗向阳
出版社：	人民邮电出版社
丛编项：
标　签：	暂缺

购买这本书可以去

当当网 (¥74.90)

ISBN：	9787115609748	出版时间：	2023-09-01	包装：	平装-胶订
开本：	128开	页数：		字数：

内容简介

　　《群智能算法在人脑功能划分中的应用》以人脑功能划分方法为主线，结合群智能算法，围绕面向功能磁共振成像（fMRI）数据的人脑功能研究，详细介绍4种静态人脑功能划分方法和1种动态人脑功能划分方法。全书共7章，首先概述了人脑功能研究及群智能算法，然后介绍了面向fMRI数据的人脑功能划分进展，最后分别介绍了基于免疫克隆选择算法搜索高斯混合模型（GMM）的脑岛功能划分方法、基于人工蜂群算法的人脑功能划分方法、基于改进型粒子群的人脑功能划分方法、基于人工水母搜索优化的人脑功能划分方法、基于滑动窗口和人工蜂群算法的动态人脑功能划分方法。《群智能算法在人脑功能划分中的应用》结构清晰、文字流畅，适合从事脑科学研究或群智能算法研究工作的读者阅读，也适合作为高校相关专业学生的参考书。

作者简介

　　赵学武，副教授，博士，郑州航空工业管理学院智能工程学院软件工程系主任。博士毕业于北京工业大学，研究方向为数据挖掘、机器学习、脑科学与大数据。主持或参与省部级以上项目4项，发表SCI论文2篇、EI论文3篇、核心论文10余篇，指导学生参加学科竞赛并获奖10余项，参与校级和省级教改项目2项。李玲玲，教授，博士后，郑州航空工业管理学院科技处处长，多模信息感知计算河南省工程实验室主任，河南省航空物流大数据应用技术服务工程研究中心主任。博士毕业于华中科技大学，厦门大学博士后流动站出站。研究方向为计算机视觉。新世纪优秀人才，河南省创新人才、学术技术带头人，河南省“创新型科技团队”带头人、高校科技创新团队带头人，郑州市科技创新创业团队带头人，河南省高等学校青年骨干教师。主持各级科研项目16项，完成省级项目鉴定9项，出版科研作品5部，获得河南省科学技术进步二等奖、三等奖等奖项。罗向阳，国防科技卓越青年基金获得者，河南省科技创新杰出青年，中原科技创新领军人才。先后主持国家自然科学基金项目5项，各类国家级和省部级科研项目30余项，在国内外重要学术期刊/会议发表论文200余篇，获发明专利授权30余项。

图书目录

目　录
第 1章　绪论
1.1　研究背景与研究意义　2
1.2　人脑功能概述　4
1.2.1　人脑功能的物质基础　4
1.2.2　人脑的功能　6
1.2.3　人脑功能的特点　7
1.2.4　人脑功能的研究方法　8
1.3　群智能算法概述　10
1.3.1　群智能算法发展简史　10
1.3.2　群智能算法的特点　12
1.3.3　群智能算法在聚类中的应用　12
1.4　主要研究内容　14
1.4.1　面向fMRI数据的人脑功能划分进展　14
1.4.2　静态人脑功能划分方法　14
1.4.3　动态人脑功能划分方法　16
第 2章　面向fMRI数据的人脑功能划分进展
2.1　fMRI数据　18
2.1.1　fMRI的基本原理　18
2.1.2　fMRI数据的采集过程　18
2.1.3　fMRI数据的特点　20
2.1.4　fMRI数据的预处理过程　20
2.2　面向fMRI数据的人脑功能划分问题　21
2.2.1　基本概念　22
2.2.2　分类　22
2.2.3　基本流程　23
2.3　面向fMRI数据的人脑功能划分方法　24
2.3.1　面向fMRI数据的静态人脑功能划分方法　25
2.3.2　面向fMRI数据的动态人脑功能划分方法　33
2.4　常用功能一致性度量和评价指标　33
2.4.1　常用功能一致性度量　33
2.4.2　常用评价指标　35
2.5　面向fMRI数据的人脑功能划分应用　37
2.6　存在的问题　39
2.7　本章小结　42
第3章　基于免疫克隆选择算法搜索GMM的脑岛功能划分方法
3.1　基础内容　44
3.1.1　免疫克隆选择算法　44
3.1.2　高斯混合模型　45
3.1.3　脑岛及其功能划分　46
3.2 　NICS-GMM描述　47
3.2.1　基本思想　47
3.2.2　抗体、抗原表示与适应度函数　48
3.2.3　初始化抗体种群和克隆抗体　48
3.2.4　计算动态邻域信息　48
3.2.5　混合克隆变异　50
3.2.6　NICS-GMM的具体流程与分析　51
3.3　实验结果与分析　52
3.3.1　fMRI数据及其预处理　52
3.3.2　评价指标　53
3.3.3　搜索能力的比较　54
3.3.4　划分数的确定　55
3.3.5　划分结果　56
3.3.6　划分结果的连接模式　57
3.3.7　划分结果的功能一致性　58
3.4　本章小结　59
第4章　基于人工蜂群算法的人脑功能划分方法
4.1　人工蜂群算法概述　61
4.2　CSABC描述　63
4.2.1　基本思想　63
4.2.2　食物源表示　64
4.2.3　初始化　64
4.2.4　自适应交叉搜索　65
4.2.5　分步式搜索　66
4.2.6　CSABC的具体流程与分析　68
4.3　实验结果与分析　70
4.3.1　fMRI数据　70
4.3.2　评价指标　71
4.3.3　模拟fMRI数据上的聚类一致性　72
4.3.4　搜索能力　73
4.3.5　划分结果　74
4.3.6　划分结果的功能一致性　79
4.3.7　功能连接指纹　81
4.4　讨论　83
4.5　本章小结　84
第5章　基于改进型粒子群的人脑功能划分方法　
5.1　粒子群优化算法概述　86
5.2　DPPSO描述　88
5.2.1　基本思想　88
5.2.2　动态非线性惯性权重　89
5.2.3　粒子位置表示　90
5.2.4　种群拓扑的粒子历史最优解选择策略　90
5.2.5　DPPSO的具体流程与分析　91
5.3　实验结果与分析　93
5.3.1　评价指标　93
5.3.2　实验结果比较　94
5.4　讨论　104
5.5　本章小结　105
第6章　基于人工水母搜索优化的人脑功能划分方法
6.1　人工水母搜索优化算法　107
6.1.1　初始化阶段　107
6.1.2　搜索阶段　108
6.2　ISAJSO描述　109
6.2.1　基本思想　110
6.2.2　融入迭代停滞的时间控制机制　110
6.2.3　适应度引导的步长确定策略　111
6.2.4　ISAJSO伪代码描述　112
6.3　实验结果与分析　114
6.3.1　实验数据　114
6.3.2　实验结果比较　115
6.4　本章小结　120
第7章　基于滑动窗口和人工蜂群算法的动态人脑功能划分方法
7.1　基础内容　122
7.1.1　动态人脑功能划分　122
7.1.2　滑动窗口　122
7.2　SWABC描述　123
7.2.1　基本思想　123
7.2.2　功能连接相似性最小性准则　124
7.2.3　基于混合策略的雇佣蜂搜索　125
7.2.4　动态半径约束的侦察蜂搜索　126
7.2.5　SWABC的具体流程与分析　129
7.3　实验结果与分析　130
7.3.1　fMRI数据与预处理　130
7.3.2　评价指标　131
7.3.3　滑动窗口长度的确定　131
7.3.4　功能状态数的确定　132
7.3.5　各评价指标上的比较　133
7.3.6　动态功能划分结果的验证　140
7.4　讨论　142
7.5　本章小结　143
结论　144
参考文献　147