基于MATLAB的BP神经网络建模及系统仿真

神经网络是大脑的一个组成部分。James在1890年的《心理学》一书中这样描述神经网络的基本原理：大脑皮层每一点的活力是由其它点势能释放的综合效能产生的

粒子群算法PSO源代码 MATLAB

提供一个自用的粒子群算法和例子，希望能有所帮助。粒子群优化算法（Partical Swarm Optimization PSO），粒子群中的每一个粒子都代表一个问题的可能解，通过粒子个体的简单行为，群体内的信息交互实现问题求解的智能性。由于PSO操作简单、收敛速度快，因此在函数优化、 图像处理、大地测量等众多领域都得到了广泛的应用。 随着应用范围的扩大，PSO算法存在早熟收敛、维数灾难、易于陷入局部极值等问题需要解决，主要有以下几种发展方向。

自适应广义预测控制算法MATLAB程序，控制对象为时滞惯性环节，系统模型参数采用PSO算法进行在线辨识，再采用GPC算法进行控制。 程序中有普通GPC算法和PSO-GPC算法性能的仿真对比。

实现基于Python的BP神经网络数据预测模型，压缩包中包含文件如下：源码BPNN.py主要用于使用训练数据集进行模型训练，生成对应的训练后模型参数；test.py主要用于利用训练好的模型对测试数据集进行预测，输出结果包括MAE、MAPE等误差值以及预测差值的分布情况等；train.csv为训练数据集，test.csv为测试数据集，.npy文件为训练后生成的权值、阈值。

背包问题PSO（粒子群算法，Particle Swarm Optimization）基本算法代码，仅供参考

粒子群算法在机械零部件可靠性优化设计的应用rar,粒子群算法; 机械零部件; 可靠性; 优化设计;

【预测模型】 GUI BP神经网络预测【含Matlab源码 934期】.zip

针对已有神经网络功放建模的建模精度不高,易陷入局部极值等问题,提出一种新的改进并行粒子群算法(Improved Parallel Particle Swarm Optimization,IPPSO)。该算法在并行粒子群算法的基础上引入自适应变异操作,防止陷入局部最优;在微粒的速度项中加入整体微粒群的全局最优位置,动态调节学习因子与线性递减惯性权重,加快微粒收敛。将该改进算法用于优化RBF神经网络参数,并用优化的网络对非线性功放进行建模仿真。结果表明,该算法能有效减小建模误差,且均方根误差提高19.08%,进一步提高了神经网络功放建模精度。