本代码基于Matalb平台编译，将GWO(灰狼算法)与BP神经网络结合，进行数据时序回归预测输入训练的数据包含8个特征，1个响应值，即通过8个输入值预测1个输出值（多变量时序预测）归一化训练数据，提升网络泛化性通过GWO算法优化BP神经网络的初始权重、初始偏差等参数，记录下最优的网络参数训练BP网络进行时序回归预测，将优化前后的网络预测效果进行对比，突出优化的重要性迭代计算过程中，自动显示优化进度

本代码基于Matalb平台编译，将GWO(灰狼算法)与BP神经网络结合，进行数据时序回归预测输入训练的数据包含8个特征，1个响应值，即通过8个输入值预测1个输出值（多变量时序预测）归一化训练数据，提升网络泛化性通过GWO算法优化BP神经网络的初始权重、初始偏差等参数，记录下最优的网络参数训练BP网络进行时序回归预测，将优化前后的网络预测效果进行对比，突出优化的重要性迭代计算过程中，自动显示优化进度

以系统节点电压水平（电网脆弱性）、网络损耗以及储能系统总容量为目标建立了储能选址定容优化模型。求解过程中提出了一种改进多目标粒子群算法(improved multi—objective particle swarm optimizer，IMOPSO)。该算法根据粒子与种群最优粒子的距离来指导惯性权重的取值，使得各粒子的惯性权重可以自适应调整，并在二者距离较小时引入交叉变异操作，避免陷入局部最优解，

本代码基于Matlab平台，实现了基于BP神经网络和Adaboost算法相结合的数据回归预测方法。首先，利用BP神经网络对数据进行特征提取和模式识别，以建立初步的回归模型。然后，通过Adaboost算法对BP神经网络进行集成学习，以进一步提高模型的预测性能和稳定性。相较于传统的单一BP神经网络模型，Adaboost通过集成多个弱分类器，每个分类器都针对之前分类错误的样本进行加权调整，从而减小了分类

为分离负荷数据中的信号和噪声，提高预测模型的精度，本文首先采用变分模态分解技术 将历史负荷数据分解成若干个本征模态分量，使其频率带宽之和最小化。然后利用深度学习神经 网络 LSTM 分别对分解出的模态分量建模，LSTM 神经网络由于具有记忆单元，相比于传统的循环神经网络( Ｒecurrent Neural Networks，ＲNN) 可以提取出更长的时间尺度上数据之间的关联性，解决了ＲNN 所存在

本代码基于。

本代码基于。

本代码基于Matalb平台编译，将。

本代码基于Matlab平台编译，使用长短期记忆神经网络（LSTM），进行数据分类预测输入训练的数据包含12个特征，1个响应值，即通过12个输入值预测1个输出值（多变量分类）归一化训练数据，提升网络泛化性自动输出多种多样的的误差评价指标，自动输出大量实验效果图片

基于Maltab平台，使用自带的深度学习工具箱和自带的手写图片数据，实现基于卷积神经网络的回归预测，主要是用来预测手写图片的旋转角度，通过大量的训练和预测，实现对手写数字图片的角度矫正，使原本角度错位的图片变为正常角度的图片。本文代码已做标准化处理，通过替换程序中的数据，使用者可方便的实现自己所需的预测回归功能。本代码为博主亲手编写，注释超级详细，适合初学者入门学习。(1条消息) 基于卷积神经网络