《群智能算法在人腦功能劃分中的應用》以人腦功能劃分方法為主線，結合群智能算法，圍繞面向功能磁共振成像（fMRI）數據的人腦功能研究，詳細介紹4種靜態人腦功能劃分方法和1種動態人腦功能劃分方法。全書共7章，首先概述了人腦功能研究及群智能算法，然后介紹了面向fMRI數據的人腦功能劃分進展，最后分別介紹了基于免疫克隆選擇算法搜索高斯混合模型（GMM）的腦島功能劃分方法、基于人工蜂群算法的人腦功能劃分方法、基于改進型粒子群的人腦功能劃分方法、基于人工水母搜索優化的人腦功能劃分方法、基于滑動窗口和人工蜂群算法的動態人腦功能劃分方法。
《群智能算法在人腦功能劃分中的應用》結構清晰、文字流暢，適合從事腦科學研究或群智能算法研究工作的讀者閱讀，也適合作為高校相關專業學生的參考書。
1.揭開人腦奧秘，群智算法助力功能劃分。本書對面向fMRI數據的人腦功能劃分現狀進行了較為全面的綜述，讓您了解人腦功能的多樣性和復雜性。
2.從靜態到動態，掌握腦功能劃分的前沿技術。詳細介紹4種靜態和1種動態功能劃分方法，幫助您成為腦科學研究的先驅者，把握人腦功能劃分的前沿進展！
3.對經典的免疫克隆算法、人工蜂群算法、粒子群算法、人工水母算法進行了描述和改進，將其用人腦的功能劃分，并進行了實驗對比；
4.采用清晰簡潔的語言，結構清晰、文字流暢，使得讀者能夠輕松理解和消化書籍內容。無論您是專業人士還是學生，都能夠輕松閱讀，快速掌握書中的知識，提升學習效果和研究能力。
趙學武，副教授，博士，鄭州航空工業管理學院智能工程學院軟件工程系主任。博士畢業于北京工業大學，研究方向為數據挖掘、機器學習、腦科學與大數據。主持或參與省部級以上項目4項，發表SCI論文2篇、EI論文3篇、核心論文10余篇，指導學生參加學科競賽并獲獎10余項，參與校級和省級教改項目2項。
李玲玲，教授，博士后，鄭州航空工業管理學院科技處處長，多模信息感知計算河南省工程實驗室主任，河南省航空物流大數據應用技術服務工程研究中心主任。博士畢業于華中科技大學，廈門大學博士后流動站出站。研究方向為計算機視覺。教育部新世紀優秀人才，河南省創新人才、學術技術帶頭人，河南省“創新型科技團隊”帶頭人、高校科技創新團隊帶頭人，鄭州市科技創新創業團隊帶頭人，河南省高等學校青年骨干教師。主持各級科研項目16項，完成省級項目鑒定9項，出版科研作品5部，獲得河南省科學技術進步二等獎、三等獎等獎項。
羅向陽，國防科技卓越青年基金獲得者，河南省科技創新杰出青年，中原科技創新領軍人才。先后主持國家自然科學基金項目5項，各類國家級和省部級科研項目30余項，在國內外重要學術期刊/會議發表論文200余篇，獲發明專利授權30余項。
目 錄
第 1章 緒論
1.1 研究背景與研究意義 2
1.2 人腦功能概述 4
1.2.1 人腦功能的物質基礎 4
1.2.2 人腦的功能 6
1.2.3 人腦功能的特點 7
1.2.4 人腦功能的研究方法 8
1.3 群智能算法概述 10
1.3.1 群智能算法發展簡史 10
1.3.2 群智能算法的特點 12
1.3.3 群智能算法在聚類中的應用 12
1.4 主要研究內容 14
1.4.1 面向fMRI數據的人腦功能劃分進展 14
1.4.2 靜態人腦功能劃分方法 14
1.4.3 動態人腦功能劃分方法 16
第 2章 面向fMRI數據的人腦功能劃分進展
2.1 fMRI數據 18
2.1.1 fMRI的基本原理 18
2.1.2 fMRI數據的采集過程 18
2.1.3 fMRI數據的特點 20
2.1.4 fMRI數據的預處理過程 20
2.2 面向fMRI數據的人腦功能劃分問題 21
2.2.1 基本概念 22
2.2.2 分類 22
2.2.3 基本流程 23
2.3 面向fMRI數據的人腦功能劃分方法 24
2.3.1 面向fMRI數據的靜態人腦功能劃分方法 25
2.3.2 面向fMRI數據的動態人腦功能劃分方法 33
2.4 常用功能一致性度量和評價指標 33
2.4.1 常用功能一致性度量 33
2.4.2 常用評價指標 35
2.5 面向fMRI數據的人腦功能劃分應用 37
2.6 存在的問題 39
2.7 本章小結 42
第3章 基于免疫克隆選擇算法搜索GMM的腦島功能劃分方法
3.1 基礎內容 44
3.1.1 免疫克隆選擇算法 44
3.1.2 高斯混合模型 45
3.1.3 腦島及其功能劃分 46
3.2 NICS-GMM描述 47
3.2.1 基本思想 47
3.2.2 抗體、抗原表示與適應度函數 48
3.2.3 初始化抗體種群和克隆抗體 48
3.2.4 計算動態鄰域信息 48
3.2.5 混合克隆變異 50
3.2.6 NICS-GMM的具體流程與分析 51
3.3 實驗結果與分析 52
3.3.1 fMRI數據及其預處理 52
3.3.2 評價指標 53
3.3.3 搜索能力的比較 54
3.3.4 劃分數的確定 55
3.3.5 劃分結果 56
3.3.6 劃分結果的連接模式 57
3.3.7 劃分結果的功能一致性 58
3.4 本章小結 59
第4章 基于人工蜂群算法的人腦功能劃分方法
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 自適應交叉搜索 65
4.2.5 分步式搜索 66
4.2.6 CSABC的具體流程與分析 68
4.3 實驗結果與分析 70
4.3.1 fMRI數據 70
4.3.2 評價指標 71
4.3.3 模擬fMRI數據上的聚類一致性 72
4.3.4 搜索能力 73
4.3.5 劃分結果 74
4.3.6 劃分結果的功能一致性 79
4.3.7 功能連接指紋 81
4.4 討論 83
4.5 本章小結 84
第5章 基于改進型粒子群的人腦功能劃分方法
5.1 粒子群優化算法概述 86
5.2 DPPSO描述 88
5.2.1 基本思想 88
5.2.2 動態非線性慣性權重 89
5.2.3 粒子位置表示 90
5.2.4 種群拓撲的粒子歷史最優解選擇策略 90
5.2.5 DPPSO的具體流程與分析 91
5.3 實驗結果與分析 93
5.3.1 評價指標 93
5.3.2 實驗結果比較 94
5.4 討論 104
5.5 本章小結 105
第6章 基于人工水母搜索優化的人腦功能劃分方法
6.1 人工水母搜索優化算法 107
6.1.1 初始化階段 107
6.1.2 搜索階段 108
6.2 ISAJSO描述 109
6.2.1 基本思想 110
6.2.2 融入迭代停滯的時間控制機制 110
6.2.3 適應度引導的步長確定策略 111
6.2.4 ISAJSO偽代碼描述 112
6.3 實驗結果與分析 114
6.3.1 實驗數據 114
6.3.2 實驗結果比較 115
6.4 本章小結 120
第7章 基于滑動窗口和人工蜂群算法的動態人腦功能劃分方法
7.1 基礎內容 122
7.1.1 動態人腦功能劃分 122
7.1.2 滑動窗口 122
7.2 SWABC描述 123
7.2.1 基本思想 123
7.2.2 功能連接相似性最小性準則 124
7.2.3 基于混合策略的雇傭蜂搜索 125
7.2.4 動態半徑約束的偵察蜂搜索 126
7.2.5 SWABC的具體流程與分析 129
7.3 實驗結果與分析 130
7.3.1 fMRI數據與預處理 130
7.3.2 評價指標 131
7.3.3 滑動窗口長度的確定 131
7.3.4 功能狀態數的確定 132
7.3.5 各評價指標上的比較 133
7.3.6 動態功能劃分結果的驗證 140
7.4 討論 142
7.5 本章小結 143
結論 144
參考文獻 147
新書資訊