摘要：阀控铅酸蓄电池的老化机理复杂.劣化程度受多种因素影响.因此较难预测.在分析影响蓄电池劣化程度的多种因素的基础上，采用Elman神经网络方法对电池劣化程度预测建立模型，并通过遗传算法对预测模型中的初始权值和阈值进行优化，根据浅度放电的测量数据进行劣化程度的预测.仿真结果表明：该模型达到了对电池劣化程度准确预测的目的.通过与实测数据的对比，证明该模型具有较高的有效性. 　　蓄电池目前被广泛地应用于汽车.电动车.UPS电源以及EPS电源系统等多个领域.阀控铅酸蓄电池（Valve RegulatedLead Acid Battery,VRLAB）是目前使用最为广泛的蓄电池，尤其是在电力.通信.

经测试，可以添加相应归一化数据data.matw文件即可使用

Elman神经网络与ARIMA模型对流感发病率预测效果的比较

1.不要直接运行 2.将其拷贝，然后在matlab中粘贴运行即可 3.数据加载方式需要日后提高，数据量等 有很高的参考价值

人工智能课的课程设计，可以切换BP和ELman神经网络实现手写字母识别，自带用画板手写的1500张图像数据集，有GUI界面，可以直接运行使用。适合课程设计、学习用

针对基于传统BP神经网络的齿轮箱故障诊断方法存在的收敛速度慢、精度不高等问题,提出了一种基于Elman神经网络的齿轮箱故障诊断模型。该模型以齿轮箱特征向量为输入、故障类型为输出,通过改进遗传算法对Elman神经网络的权值和阈值进行优化,将优化后的Elman神经网络用于齿轮箱故障诊断。仿真结果表明,该故障诊断模型加快了网络训练速度,提高了齿轮箱故障诊断的准确度和精度。

使用matlab训练基本的神经网络，数据是使用的6类气体的数据，共有3600个，分别测试了7个分类器的性能

Elman 模型结构中不仅包含输入层、中间层 (即 隐含层) 和输出层, 还包含记载中间层历史信息的承接 层 ,相较于一般静态神经网络具有动态特性好, 逼近 速度快等特点.

基于集合经验模态分解与Elman神经网络的线椒株高预测

完整的Elman神经网络预测模型，包含相关的数据 可在matlab2016a中运行。