【RBF预测】基于粒子群算法优化RBF神经网络实现数据回归预测含Matlab源码

Unity 导弹爆炸枪口闪光盾牌粒子特效Hyperbit Arsenal 1.2 仅供学习，请勿商用。

高斯粒子滤波算法重要性权值方差不会随迭代次数的增加而增加, 能够较好地解决粒子退化问题, 但其重要性密度函数没有考虑最新的量测信息, 导致有效粒子数减少, 算法滤波性能下降. 针对该问题, 提出一种基于Gaussian-Hermite 滤波(GHF) 的高斯粒子滤波算法, 采用GHF构造高斯粒子滤波的重要性密度函数, 考虑最新的量测信息, 增加有效粒子数, 提高算法的滤波精度. 仿真结果表明, 所提出算法的滤波精度明显优于高斯粒子滤波算法.

加权最小二乘支持向量机（WLS-SVM）的学习性能和泛化能力取决于其正则化因子C和核函数参数σ的取值。对此，针对WLS-SVM建立C和σ的组合优化目标函数，采用基于Lozi映射的粒子群（PSO）算法来搜索最优目标函数值。迭代过程中，通过分别映射PSO个体最优位置，把产生的混沌序列中的最优解分别逆运算取代当前个体最优位置，引入混沌机制，以混沌变量的遍历性改进粒子群算法，提高全局搜索能力，避免过早陷入局部最优。将其应用于某玩具企业原料月消耗量预测，结果表明了文中所提方法的有效性。

无功优化算法，为进一步解决寻优后期粒子可能陷入早熟收敛的问题 ， 利用混沌优化具有 “ 奇异吸 引子 ” 的特性 ， 在解空间进一步搜索 ， 两者的结合可以更有效地搜索到全局最优解 。

分析了粒子群优化算法的收敛性,指出它在满足收敛性的前提下种群多样性趋于减小, 粒子将会因速度降低而失去继续搜索可行解的能力;提出混沌粒子群优化算法, 该算法在满足收敛性的条件下利用混沌特性提高种群的多样性和粒子搜索的遍历性, 将混沌状态引入到优化变量使粒子获得持续搜索的能力.实验结果表明混沌粒子群优化算法是有效的,与粒子群优化算法、遗传算法、模拟退火相比,特别是针对高维、多模态函数优化问题取得了明显改善.

粒子群优化神经网络的权值和阈值，用于钢水温度的预测，效果十分显著，程序讲解仔细

基本粒子物理学史（美 阿伯拉罕派斯）

4、纯方位角单目标跟踪 纯方位跟踪系统仿真程序 %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% % 程序说明： 单站单目标基于角度的跟踪系统，采用粒子滤波算法 % 状态方程 X（k+1）=F*X(k)+Lw(k) % 观测方程 Z（k）=h（X）+v（k） function main %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% % 初始化参数 clear; T=1; % 采样周期 M=30; % 采样点数 delta_w=1e-4; % 过程噪声调整参数，设得越大，目标运行的机动性越大，轨迹越随机（乱） Q=delta_w*diag([0.5,1,0.5,1]) ; % 过程噪声均方差 R=pi/180*0.1; % 观测角度均方差，可将0.1设置的更小 F=[1,T,0,0;0,1,0,0;0,0,1,T;0,0,0,1]; %%%%%%%%%%%%%%% 系统初始化 %%%%%%%%%%%%%%%%%% Length=100; % 目标运动的场地空间 Width=100; % 观测站的位置随即部署 Node.x=Width*rand; Node.y=Length*rand;

利用哈夫曼树编码的无损压缩与解压软件，c++语言版本，操作简单，将文件拖至窗口即可，显示压缩比，程序设计课程会用到