搜索资源列表
pso-bp
- 使用粒子群算法优化bp神经网络,完成函数逼近(Optimize bp neural network using particle swarm optimization algorithm to complete function approximation)
30个智能算法模型
- 1-8遗传算法,9 多目标Pareto最优解搜索算法,10 基于多目标Pareto的二维背包搜索算法,11-12免疫算法,13-17粒子群算法,18鱼群算法,19-21模拟退火算法,22-24蚁群算法,25-27神经网络,28 支持向量机的分类,29 支持向量机的回归拟合,30 极限学习机的回归拟合及分类(1-8 genetic algorithm, 9 multi-objective Pareto optimal solution search algorithm, 10 multi-obje
PSO-GRNN
- 粒子群算法优化广义回归神经网络的代码,具有很好的借鉴意义。(Particle swarm optimization (PSO) algorithm optimizes the code of generalized regression neural network, which has a good reference value.)
PSO-BP程序
- 用粒子群优化BP神经网络matlab代码 %以下是训练数据,前4列为输入,第5列为输出 5.700 3.800 0.3175 2.33 2310 4.550 3.050 0.3175 2.33 2890 2.950 1.950 0.3175 2.33 4240 1.950 1.300 0.3175 2.33 5840 1.400 0.900 0.3175 2.33 7700 1.200 0.800 0.3175 2.33 8270 1.050 0.700 0.3175
pso-bp
- 采用粒子群算法优化BP神经网络,解决了陷入局部小的问题,同时提高了算法精度,可实现多输入单输出,或者多输入多输出,算法精度较高。
PSO BP wind power
- 粒子群结合神经网络智能算法优化最值问题。(And the output of the fan is tracked and predicted in real time based on the wind power prediction of the PSO algorithm.)
系统建模
- 1.批量最小二乘法算法(也称最小二乘的一次性完成辨识算法) 2.递推最小二乘法算法,应用递推算法对参数估计值进行不断修正,以取得更为准确的参数估计值。 3.粒子群算法(PSO)。粒子群优化算法的基本思想:是通过群体中个体之间的协作和信息共享来寻找最优解.PSO的优点在于简单容易实现并且没有许多参数的调节。 4.BP神经网络,各个神经元仅接收来自前一级的输出,经神经元处理后的信息将输出至下一级,网络中没有反馈,即前一级神经元不会接受后一级神经元的输出。 water tank是原始数据(双容
ELM_PSO-master
- 为了提升配网供电可靠性的预测精度!提出了基于主成分分析和粒子群优化极限学习机的配网供电可靠 性预测模型$ 从多方面分析影响供电可靠性的指标!利用主成分分析得到综合变量!实现对数据的降维$ 在此基 础上!构建人工神经网络并利用粒子群算法优化极限学习机的输入权值和阈值!完成对训练供电可靠性预测模型 的训练$ 以某大型电网的 ?L 个供电局样本 !% 种影响供电可靠性因素为例进行仿真分析!并将 E S R C E FQ C 4 G D算 法与 ! 种回归拟合算法对比!验证了该方法的有效性(It i
pso-bp 优化pid
- pso-bp 优化pid,粒子群算法优化bp神经网络