论文研究改进粒子群算法优化 BP 神经网络的短时交通流预测.pdf

bp神经网络进行交通预测的Matlab源代码 BP 神经网络用于预测 使用平台 - Matlab7.0 数据为1986年到2000年的交通量 ，网络为3输入，1输出 15组数据，其中9组为正常训练数据

改进粒子群算法的研究，常伟，王平，本文首先简要介绍了基本粒子群算法(PSO)的原理与实现,针对基本粒子群算法容易陷入早熟、收敛速度慢等问题,提出一种混合遗传算法的��

针对于BP神经网络预测模型，收敛速度慢，精度较低，容易陷入局部极小值等缺点，提出了一种改进粒子群优化BP神经网络预测模型的算法。在该算法中，粒子群采用改进自适应惯性权重和改进自适应加速因子优化BP神经

针对BP神经网络对初始权重敏感，容易陷入局部最优，人工蜂群算法局部搜索能力和开发能力相对较弱等问题，提出一种基于改进人工蜂群和反向传播的神经网络训练方法。引进差分进化思想改进人工蜂群算法，并对跟随蜂的

针对基于特征代码的静态木马检测技术的不足，通过实时监控程序的可疑行为，运用贝叶斯算法分析程序行为特征进而发现木马程序，并对恶意木马程序的非授权操作进行修复，设计并实现了一个基于行为分析的单机木马防护系

对于传统的对移动台的定位,提出了一种基于粒子群(PSO)优化神经网络的算法。这一PSO-BP算法首先利用PSO对神经网络传统的目标函数及参数进行优化,再利用改进后的BP神经网络对非视距误差(NLOS)

本程序利用当前流行的pso算法对rbf神经网络进行优化，使之预测精度高

针对非线性、时变等缺陷导致传统的控制器控制效果较差、不适应电液伺服系统的现象，提出了用于电液伺服控制的基于粒子群优化算法对神经网络的权值进行学习训练的PSONN算法。结合电液伺服系统实例分析，用MAT

粒子群优化算法的改进 常见粒子群优化算法的改进 1模糊惯性权重(fuzzy inertia weight ) 法 Shi 等提出用模糊控制器来动态自适应地改变惯性权重的 技术控制器的输入是当前惯性权重

一种基于MapReduce的短时交通流预测算法，张丽，姚卫红，短时交通流预测是智能交通系统中交通诱导、交通控制和管理应用的基础。短时交通流预测算法的实时性和准确性一直是研究的重点和难