【预测模型】 BP神经网络太阳辐射预测【含Matlab源码 883期】.zip

iris_classification_BPNeuralNetwork 本文用Python实现了BP神经网络分类算法，根据鸢尾花的4个特征，实现3种鸢尾花的分类。

【BP预测】基于帝国企鹅算法优化BP神经网络实现数据预测附matlab代码

粒子群算法PSO优化支持向量机回归算法SVR，python写，自带数据集

基于matlab平台的：交通标志识别（选颜色定位，分割，bp神经网络方法识别，可模板，sift，svm等方法识别）

低速率拒绝服务（LDoS,low-rate denial of service）攻击是一种降质服务（RoQ,reduction of quality）攻击，具有平均速率低和隐蔽性强的特点，它是云计算平台和大数据中心面临的最大安全威胁之一。提取了LDoS攻击流量的3个内在特征，建立基于BP神经网络的LDoS攻击分类器，提出了基于联合特征的LDoS攻击检测方法。该方法将LDoS攻击的3个内在特征组成联合特征作为BP神经网络的输入，通过预先设定的决策指标，达到检测LDoS攻击的目的。采用LDoS攻击流量专用产生工具，在NS2仿真平台和test-bed网络环境中对检测算法进行了测试与验证，实验结果表明通过假设检验得出检测率为 96.68%。与现有研究成果比较说明基于联合特征的LDoS攻击检测性优于单个特征，并具有较高的计算效率。

针对求解资源受限项目调度问题（RCPSP），提出了基于差分进化（DE）的混合粒子群算法（PSODE）。通过在PSO种群和DE种群之间建立一种信息交流机制，使信息能够在两个种群中传递，以避免个体因错误的信息判断而陷入局部最优点。采用标准测试函数和具体算例进行检验，结果表明PSODE算法可以较好地解决RCPS问题。

为了利用测井信息识别潘庄地区的沉积特征,通过对潘庄区块钻井取芯和测井等资料的分析,建立了潘庄区块的山西组沉积微相模式。在此基础上,提取出已知沉积微相的自然伽马测井曲线的特征参数,运用MATLAB中的BP神经网络模型,把所提取的特征参数作为训练样本,运用所得网络模型对其他井的沉积微相进行解释。

模式识别高分课程设计，利用BP神经网络对0-9的手写数字图像数据进行分类。 图像数据存放在Img的文件夹中，0-9每个数字各有55个样本，共550个图像样本数据。文件中的all_data.mat是为了对这些图像数据全部提取到MATLAB的工作区中，以便于MATLAB对数据的处理。载入后是一个4维的900×1200×10×55的阵列，900×1200为每一张图像的尺寸/分辨率，10指的是为0-9的10类图像，55是每一类的样本数目； 代码中有详细注释，整个过程分为：①载入图像数据；②裁剪图像的无效信息；③特征选择和提取；④特征预处理；⑤划分数据集；⑥网络训练；⑦网络测试；⑧用户验证过程 网络经多次测试后对训练样本和测试样本的分类准确率均在95%以上，MATLAB自建BP神经网络，代码每个过程都有注释详解，有利于读者对BP神经网络有更好的把握。 在用户验证过程中，向客户提供验证端口，读者在读懂代码的基础上，可以继续在此做一个UI界面或者接口，作为课程设计的话将会更加完善。

随着间歇性电源(分布式风电、光伏)在中、低压配电网中渗透率的提高，多个微电网可能共存于一个区域配电网中，各微电网间能量互济与协调控制的微电网群技术开始引起广泛的关注。以微电网研究为基础，分析了微电网群的典型特征及拓扑结构。以微电网群功率波动为研究对象，建立了微电网群功率波动熵值的动态调度模型，采用量子粒子群优化算法进行求解实现优化控制。仿真结果验证了所提微电网群功率优化控制方法的正确性和有效性。