PSO SVM粒子算法优化的支持向量机,pso粒子群优化算法,matlab源码

粒子群算法(PSO)优化双向长短期记忆神经网络的数据回归预测，PSO-BiLSTM回归预测，多输入单输出模型。 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。

粒子群算法(PSO)优化极限梯度提升树XGBoost时间序列预测，PSO-XGBoost时间序列预测模型，单列数据输入模型。 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xgboost的分类预测，多输入单输出模型。PSO-xgboost分类预测模型。 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。

针对三相PWM整流器电压环的特点,提出了一种H∞鲁棒控制方法。基于PWM整流器的数学模型,建立了满足H∞控制标准型的状态方程,并选择合适的权函数。通过求解Riccati不等式,得到H∞鲁棒控制器。由于控制器待定参数较多,权函数的选择范围较广,因此设计了一种PSO算法,对所设计的控制器参数进行整定和优化,进一步提高了PWM整流器的控制性能,具有更好的动态性能和抗干扰性。最后,通过仿真证明了该方法的可行性和有效性。

为了解决矿井涌水量预测难题,在Grid-Search_PSO优化SVM参数的基础上,采用SVM非线性回归预测法,对大海则煤矿1999~2008年7月份的矿井涌水量进行了预测。分析对比SVM回归预测法和ARIMA时间序列预测法预测结果的数据误差,发现SVM回归法预测值与实测值之间的偏差比ARIMA时间序列法要小很多。可见在影响矿井涌水量各种因素值具备的情况下,SVM非线性回归预测所建立的模型能够更准确地预测矿井的涌水量,在矿井安全生产中具有很大的应用价值。

为了提高企业信用风险评估准确率，提出了基于PSO-BP集成的企业信用风险评估模型。使用Bagging抽样技术获得足够多不同的训练数据集，用不同的训练集子集训练得到不同的PSO-BP组合成员分类器，最后通过多数投票准则整合不同组合成员分类器的分类结果。分别在包含了国内外公司的详细数据的数据集上证明了模型的有效性。

为了对煤炭企业物流成本进行有效的预测,首先分析了煤炭企业物流成本的影响因素,然后分别采用PSO-BP网络和BP网络对煤炭企业物流成本进行了预测,并对试验结果进行了对比分析,结果表明,PSO算法优化的BP神经网络,其收敛速度和预测精度都明显高于传统的BP网络。PSO-BP方法对煤炭企业物流成本的预测具有一定的参考价值和指导意义。

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

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。