深度神经网络（DNN）在各种任务中取得了前所未有的成功，但是，这些模型性能直接取决于它们的超参数的设置。在实践中，优化超参数仍是设计深度神经网络的一大障碍。在这项工作中，我们建议使用粒子群优化算法（PSO）来选择和优化模型参数。在MNIST数据集上的实验结果显示：通过PSO优化的CNN模型可以得到不错的分类精度，此外，PSO 还可以提高现有模型结构的性能，PSO是自动化超参数选择和有效利用计算资源的有效技术。 针 对CＮＮ 算法的收敛速度较慢、过 拟合 等问题, 文章提出一种基于PSO和 CNN 模型的图像分类方法，在分析完CNN各超参数对其性能的影响后，引入 PSO 算法进行寻优以增强CNN网络模型的特征提取能力,模型将CNN算法中需要训练的参数作为粒子进行优化，将 更 新 的 参 数 用 于ＣＮＮ 算 法 的 前 向 传播，调整网络连接权矩阵迭代，直到误差收敛，停止算法，以达到最终的模型优化。

粒子群算法（pso）优化rbf神经网络

智能优化算法、神经网络预测、信号处理、元胞自动机、图像处理、路径规划、无人机等多种领域的Matlab代码模型及运行结果

基于PSO优化ELM网络,并通过优化后的ELM进行数据预测对比传统的ELM网络+含代码操作演示视频 运行注意事项：使用matlab2021a或者更高版本测试，运行里面的Runme.m文件，不要直接运行子函数文件。运行时注意matlab左侧的当前文件夹窗口必须是当前工程所在路径。具体可观看提供的操作录像视频跟着操作。

pso优化bp网络参数的问题

phog方法提取图像特征，svm支持向量机进行分类，分别有GA遗传算法和PSO粒子群优化算法进行寻优。

使用BP神经网络、RBF神经网络以及PSO优化的RBF神经网络进行数据的预测+含代码操作演示视频

应用PSO优化基于分簇的无线传感器网络路由协议.

烟气含氧量是影响火电厂锅炉运行安全性和经济性的一个重要因素,影响锅炉烟气含氧量的因素多而复杂,对烟气含氧量特性进行建模与控制是实现锅炉正常运行的基础。借助现场运行数据,根据锅炉烟气含氧量的特性,建立基于最小二乘支持向量机(LSSVM)的锅炉烟气含氧量预测模型。在此基础上结合全局寻优的混合粒子群算法(PSO),对锅炉烟气含氧量进行控制。仿真结果表明:该方法能够比较准确地对火电厂锅炉烟气含氧量进行测量和控制,为锅炉燃烧系统的闭环控制与优化运行提供了新的手段。

在本文中，作者描述了使用PSO算法改善LCMV和MVDR波束形成的性能。 最初，我们使用LCMV设计了波束形成，并且我们通过提取权重，功率和SINR等参数来分析了阵列信号处理的性能。 通过使用LCMV，我们注意到最小的信噪比（SINR），旁瓣的出现和干扰。 最终，我们尝试通过在波束成形中采用PSO来提高性能。 我们已经观察到性能显着提高。 使用多个传感器元素（例如M = 4/8/50/100）扩展了分析。 使用相控阵系统工具箱在MATLAB中进行了整个分析，并获得了相应的输出。 通过将LCMV和MVDR与PSO技术进行比较，得出的结果是，在PSO中观察到了优化的输出，从而提高了方向性，避免了干扰并减轻了旁瓣。