基于PSO-SVM粒子群优化支持向量机的数据分类预测(Matlab完整程序和数据) 输入多个特征,分四类。 基于PSO-SVM粒子群优化支持向量机的数据分类预测(Matlab完整程序和数据) 输入多个特征,分四类。 基于PSO-SVM粒子群优化支持向量机的数据分类预测(Matlab完整程序和数据) 输入多个特征,分四类。
MATLAB实现PSO-SVM粒子群优化支持向量机时间序列预测,Matlab完整程序和数据 数据为单变量时间序列数据,含粒子群优化前后的对比,预测对象为股票价格。
财务风险识别的研究具有十分重要的意义,针对当前财务风险识别方法存在误差大、效率低等弊端,以提高财务风险识别正确率为目标,提出了模式识别技术的财务风险识别方法。对当前各种财务风险识别方法进行分析,找到引起财务风险识别效果不理想的原因,引入模式识别技术中的在线极限学习机描述财务风险变化特点,并建立财务风险识别模型,采用具体实例与其他财务风险识别方法进行了对比实验。结果表明,文中方法减少了财务风险出现误识的概率,财务风险识别正确率得到了明显的改善,财务风险识别速度加快,具有较明显的优势。
1
针对传统的模糊C-均值聚类算法对初始聚类中心较敏感、易陷入局部最优的缺点,将粒子群优化算法和FCM算法相结合,提出一种改进的模糊聚类算法。该算法利用粒子群算法的全局搜索能力代替FCM算法寻找初始聚类中心,使其跳出局部最优,实现模糊聚类。主要从反映数据集分类的类内紧致性程度和类间分离性程度的角度考虑,重新设计适应度函数。实验结果表明,提出的算法在聚类正确率和有效性指标上有更好的效果。
1
MATLAB实现PSO-BP粒子群优化BP神经网络多特征分类预测(完整源码和数据) 数据为多特征分类数据,输入12个特征,分四类。 运行环境MATLAB2018b及以上,程序乱码是由于版本不一致导致,可以用记事本打开复制到你的文件。
基于PSO-BP粒子群优化BP神经网络的数据分类预测(Matlab完整程序和数据) 基于PSO-BP粒子群优化BP神经网络的数据分类预测(Matlab完整程序和数据) 输入12个特征,分四类。
为了改善差分进化粒子群算法的局部搜索能力和收敛速度,提出了一种混沌差分进化的粒子群优化算法。该算法利用信息交换机制将两组种群分别用差分进化算法和粒子群算法进行协同进化,并且将混沌变异操作引入其中,加强算法的局部搜索能力。通过对三个标准函数进行测试,仿真结果表明该算法与DEPSO算法相比,全局搜索能力、抗早熟收敛性能及收敛速度大大提高。
1
FIR低通滤波器具有设计简单,易于实现的优点,缺点是只能用于低通滤波器,不能用于高通滤波器,所以,通过粒子群算法对FIR低通滤波器进行优化,提高FIR滤波器的性能
1
群优化(Rat swarm optimization,RSO)算法是于2020年提出的一种寻优精度高、全局搜索性能强的新型仿生群体智能算法。
2022-11-28 11:22:15 2.46MB matlab
1