以非线性预测评价为基础,采用BP神经网络模型,利用遗传算法优化网络初始权值和阈值,建立一个新的煤矿底板突水危险性预测的网络模型,通过收集不同突水矿井的资料,综合考虑多种影响底板突水的因素。运用Matlab编程对网络原始数据进行训练,并对不同工作面底板是否突水及突水量进行预测分析,结果表明,该模型收敛速度快、预测精确度高,且具有较强的泛化能力。

MATLAB优化与控制模型代码 基于遗传算法的Bp神经网络优化算法代码.zip

粒子群优化极限学习机的参数。最佳粒子位置即为最优输入权值和隐层阈值。自己跑过的，放数据匹配一下就可以用

莱维飞行改进麻雀算法(SSA)优化BP神经网络回归预测，LevySSA-BP回归预测，多变量输入单输出模型。 评价指标包括:R2、MAE、MSE、RMSE和MAPE等，代码质量极高，方便学习和替换数据。

Matlab混合粒子群算法求解TSP问题matlab代码实例（带注释）

【语音识别】基于BP神经网络的语音情感识别matlab源码.md

智能算法之粒子群算法及改进. **智能算法：粒子群算法（Particle Swarm Optimization，PSO）** **资源描述：** 1. **算法原理与思想：** 粒子群算法是一种基于群体智能的优化算法，灵感来自于鸟群或鱼群等自然界中群体的协作行为。在PSO中，问题的解被看作是一群粒子，在解空间中不断移动，通过跟随历史上最优解（局部最优解）和整个群体的最优解（全局最优解）来寻找最优解。 2. **基本步骤：** - 初始化粒子群的位置和速度。 - 计算每个粒子的适应度（目标函数值）。 - 更新每个粒子的速度和位置，以便它们向着历史上最优解和群体的最优解移动。 - 重复上述步骤，直到达到预定的停止条件（例如，迭代次数达到预定值或找到满足要求的解）。 3. **算法优势：** - PSO算法简单易懂，容易实现。 - 由于其并行性，PSO适用于高维优化问题。 - PSO具有全局搜索能力，能够找到接近全局最优解的解。 4. **改进的粒子群算法：** - 多种改进的粒子群算法被提出，例如自适应权重PSO（Adapti

煤矿巷道支护的形式是多种多样的,而在对支护体系的相关参数进行设计时,必须充分考虑各方面的影响因素,如巷道围岩性质、支护形式、应力变化等,这些数据的分析和处理十分复杂,可以通过构建神经网络模型的方式来实现。结合某煤矿的实际情况,对基于MATLAB的BP神经网络模型在巷道支护参数设计中的应用进行了分析,希望能够为煤矿巷道支护体系的设计提供一些参考依据。

基于遗传算法优化BP神经网络(GA-BP)的时间序列预测，matlab代码。 模型评价指标包括:R2、MAE、MSE、RMSE和MAPE等，代码质量极高，方便学习和替换数据。

粒子群算法(PSO)优化最小二乘支持向量机分类预测，PSO-LSSVM分类预测，多输入单输出模型。 多特征输入单输出的二分类及多分类模型。程序内注释详细，直接替换数据就可以用。 程序语言为matlab，程序可出分类效果图，迭代优化图，混淆矩阵图。