6种算法（线性回归、随机森林、支持向量机、BP神经网络、GRU、LSTM）对电力系统负荷进行预测。通过一个简单的例子。 各种算法（线性回归、随机森林、支持向量机、BP 神经网络、GRU、LSTM）用于电力系统负载预测/电力预测。

为了能在交通管理中提前采取措施规避可能存在的交通拥挤或堵塞，提出了一种高效可靠的短时交通流预测算法．首先采用BP神经网络与自回归求和滑动平均(ARIMA)两种方法分别建立单项预测子模型，再以BP神经网络作为最优非线性组合模型的逼近器，建立组合预测模型，对单项预测子模型的预测值进行融合，由此得到最终的预测结果．通过MATLAB与SPSS平台对实测交通流量数据进行了仿真分析，结果表明，该种组合预测方法是切实可行的．

...

matlab程序基于bp神经网络车牌识别设计 程序可以运行 需要搭配matlabr2019a 需要的软件参数自行根据软件提示下载 包含程序和报告

【预测模型】 BP神经网络太阳辐射预测【含Matlab源码 883期】.zip

iris_classification_BPNeuralNetwork 本文用Python实现了BP神经网络分类算法，根据鸢尾花的4个特征，实现3种鸢尾花的分类。

【BP预测】基于帝国企鹅算法优化BP神经网络实现数据预测附matlab代码

基于matlab平台的：交通标志识别（选颜色定位，分割，bp神经网络方法识别，可模板，sift，svm等方法识别）

低速率拒绝服务（LDoS,low-rate denial of service）攻击是一种降质服务（RoQ,reduction of quality）攻击，具有平均速率低和隐蔽性强的特点，它是云计算平台和大数据中心面临的最大安全威胁之一。提取了LDoS攻击流量的3个内在特征，建立基于BP神经网络的LDoS攻击分类器，提出了基于联合特征的LDoS攻击检测方法。该方法将LDoS攻击的3个内在特征组成联合特征作为BP神经网络的输入，通过预先设定的决策指标，达到检测LDoS攻击的目的。采用LDoS攻击流量专用产生工具，在NS2仿真平台和test-bed网络环境中对检测算法进行了测试与验证，实验结果表明通过假设检验得出检测率为 96.68%。与现有研究成果比较说明基于联合特征的LDoS攻击检测性优于单个特征，并具有较高的计算效率。

为了利用测井信息识别潘庄地区的沉积特征,通过对潘庄区块钻井取芯和测井等资料的分析,建立了潘庄区块的山西组沉积微相模式。在此基础上,提取出已知沉积微相的自然伽马测井曲线的特征参数,运用MATLAB中的BP神经网络模型,把所提取的特征参数作为训练样本,运用所得网络模型对其他井的沉积微相进行解释。