运用粒子群算法实现对几种测试函数最优解的搜寻，可对算法进行改进，提升算法的寻优性能。 粒子群算法几种改进方法： 1.权重改进：非线性权重、自适应权重等。 2.学习因子：学子因子动态调整 3.速度更新改进 4.加入新算子等等。

菌素 phygnn （fi-geon | ˈfi-jən）名词。 物理学指导的神经网络 一只稀有的神话鸟 物理学指导的神经网络的这种实现通过通用的损失项增强了传统的神经网络损失功能，该损失项可用于指导神经网络学习物理或理论约束。 phygnn使科学软件开发人员和数据科学家能够轻松地将机器学习模型集成到物理和工程应用程序中。当将纯数据驱动的机器学习模型应用于科学应用时，例如当机器学习模型产生物理上不一致的结果或难以推广到样本外场景时，此框架应有助于缓解一些经常遇到的挑战。 有关phygnn类框架的详细信息，请参见 例如，使用phygnn架构进行回归，分类甚至GAN应用，请参见 在国家可再生能源实验室（NREL），我们使用phygnn框架来补充传统的基于卫星的云属性预测模型。当传统的机械模型失效时，我们使用phygnn预测云的光学特性，并使用基于张量的完整辐射传递模型作为物理损耗函数，将预测

基于分词与BP网络的文本分类 首先下载整个文件，BP文本分类-语义特征提取.rar主要存放了相关的数据集 代码主要包括： 1.特征提取 首先对文本信息进行分词处理，采用基于字符串匹配的方法： 依次截取一到多个词，并与字典库进行匹配。如二狗，如果匹配到字典中有这个词，则将其分为一个词；发现字典中没有与之匹配的，则说明这个不是一个词语，进行顺序操作， 2.得到分词后的文本之后，就是转换成数字编码，因此电脑没办法识别汉字。这一部分叫特征表示，即用数字的方式表示中文文本，采用的方法是基于词带模型的特征表示 3.通过2我们将文本表示成了数字，但是这样的表示通常都是稀疏的，为此我们利用降维方法，消除掉这些冗余特征。 4. 文本分类，采用的就是bp网络（1）如pca的降维数，维数过高，包含冗余数据，过低又会删除掉重要信息。（2）bp网络结构的调整，如隐含层节点数，学习率等

资源给大家带来一个利用卷积神经网络(pytorch版)实现空气质量的识别分类与预测。 我们知道雾霾天气是一种大气污染状态，PM2.5被认为是造成雾霾天气的“元凶”，PM2.5日均值越小，空气质量越好． 空气质量评价的主要污染物为细颗粒物(PM2.5)、可吸入颗粒物(PM10)、二氧化硫(SO2)、二氧化氮(NO2)、臭氧(O3)、一氧化碳(CO)等六项。

本小组研究的课题是基于深度学习的图像识别，最终实现的是对海量图片数据的学习和准确的识别，不仅如此，我们测试了几种不同的分类模型，并比较预测结果，计算预测准确率，对预测方法进行优化，希望得到一种最高效的预测方法，从而实现真正的机器智能化识别。 本小组课设主要基于python开发环境下的scikit-learn标准库以及PIL图像处理库，并采用matplotlib实现最终结果的比对，PIL库用于图像的特征值批量读取，scikit-learn标准库用于分类模型的构建，matplotlib则用于显示最终结果。

GA-ANN Use genetic algorithm to optimize the backpropagation neural network. 简介：这是一个利用遗传算法实现BP人工神经网络的matlab代码，可用于实现2层（隐藏层数=1，不计输入层，则共2层）的BP-ANN。 原作者为： 由于云盘易失效，在此备份。

网络模型共含有19层，其中7层传统卷积层、8层深度可分离卷积层、4层最大池化层。同时，使用了 Adam优化器及对数损失函数。网络结构如图4所示，顺序从左至右、从上至下，并做以下说明： Conv为传统卷积层，其后3个参数分别代表：卷积核个数、卷积核大小、步长。 activation表示该层对应的激活函数。 SeparableConv为深度可分离卷积层，其后2个参数分别代表：卷积核个数、卷积核大小，步长均为 1。 MaxPooing为最大池化层，其后2个参数分别代表：滤波器大小、步长。 ReLU为线性整流函数，作为卷积后的激活函数，相比sigmoid函数和tanh函数有着更好的效果。 softmax用于将最后一层卷积输出的七个数值映射到（0,1）区间，并使它们和为 1。 这样能更直观地以概率的形式显示结果。 在每一层卷积过后，都加入了批量归一化（Batch Normalization，BN）层，图中未标出。批量归一化对网络训练的各个方面都有一定的提升作用。它可以加快训练并提高性能、解决梯度消失的问题、规范权重、优化网络梯度流等，所以很有必要加入。 整个网络参数数量仅为75906个，其中可训

cnn图像分类。通过已有的大量的花卉图片素材，编写卷积神经网络对花卉图片训练集进行训练，并且将训练后所得模型存放在指定文件夹。再编写一个简洁的python图形的用户交互界面，实现图片的选择，根据训练出来的神经网络将识别结果输出，并通过绘制的图形进行分析和评估。实验对比后发现花卉图像分类识别效果较好，测试集准确率达到了99%以上，具有较高的识别准确率和稳定性。

通过研究电力负荷预测中支持向量机的参数优化问题，将改进后新的粒子群算法导入支持向量机参数中，从而建立一种新的电力负荷预测模型（IPSO-SVM）。首先将支持向量机参数编码为粒子初始位置向量，然后通过对粒子个体之间信息交流、协作的分析找到支持向量机的最优参数，并针对标准粒子群算法的缺陷进行一定的改进，从而应用于电力负荷的建模与预测，最后通过仿真对比实验来测试它的性能。实验结果表明，这种新的电力负荷预测模型能够获得较高精度的电力负荷预测结果，大大减少了训练时间，能够满足电力负荷在线预测要求。

文件中的代码有些是ipynb文件，将其转换为py文件，操作步骤如下： pip install jupyter win+R，输入cmd，回车 cd+空格+ipynb文件所在路径 输入：jupyter nbconvert --to script *.ipynb，该路径下的ipynb文件均可转为py文件 详细介绍参考：https://biyezuopin.blog.csdn.net/article/details/122538153?spm=1001.2014.3001.5502