为解决常规PID控制难以在具有时变负载的自平衡系统中实时、精确调节负载的变化,在BP神经网络基础上,利用粒子群算法(PSO)优化BP神经网络,将神经网络的收敛速度进一步提高,并将算法应用到二轮平衡车控
随着射频功放非线性对射频前端的影响日益增大,使得功放建模变得越来越重要。提出了一种自适应模糊小波神经网络模型结构,并利用改进的粒子群优化算法,建立有记忆的功放模型。将小波函数融入到自适应模糊推理系统的
RBF(径向基函数)神经网络能在各个领域得到了很好的应用,关键在于网络模型参数权值、网络中心值、基宽向量和隐含层节点数的选取。传统的RBF神经网络存在精度不高,容易陷入局部最优,收敛速度慢等缺点。针对
针对传统的神经网络训练算法收敛速度慢和泛化性能低的缺陷,提出一种新的基于面向对象的自适应粒子群优化算法(OAPSO)用于神经网络的训练。该算法通过改进PSO的编码方式和自适应搜索策略以提高网络的训练速
利用MATLAB实现LSTM神经网络回归预测算法,可对数值数据进行预测,并输出准确的预测结果。该算法以历史数据为基础进行学习,能够自动调整权重,适应不同数据规模和趋势变化。采用该算法可提高预测的精度和
使用遗传算法和粒子群算法对BP神经网络进行优化,以提高其预测能力。
基础入门PPT帮助学习,后期有资源还会补,主要介绍神经网络一些机制和原理
针对带有有界随机扰动和概率约束的非线性模型预测控制的优化控律求解问题.采用引入粒子滤波重采样步骤改进的粒子群算法,并与粒子的变异操作相结合来求解非线性模型预测控制优化控制律的方法,提高了算法的收敛速度
Matlab神经网络(九)--粒子群算法(PSO)实现函数极值优化
风电场风速预测的RBF神经网络模型,介绍了风电场风速预测的方法,建立了RBF神经网络模型,提前1h预测,并把结果与BP方法进行对比
