PID控制器是过程控制中应用最为广泛的控制器，而传统PID控制器参数整定难以达到最优状态，同时，存在控制结果超调量过大、调节时间偏长等缺点，因此，将变异粒子群优化算法（Mutation Particle Swarm Optimization，MPSO）运用于BP-PID的参数整定过程中，设计了一种高效、稳定的自适应控制器。考虑MPSO的变异机制，以种群适应度方差与种群最优适应度值为标准，进行种群变异操作，可以克服早熟，提高收敛精度和PSO的全局搜索能力，使MPSO优化的BP神经网络整定的PID控制器能以更快的速度、更高的精度完成过程控制操作。在实验中，通过比较BP-PID、PSO-BP-PID以及MPSO-BP-PID三控制器仿真结果，证明了所提MPSO算法的有效性和所设计MPSO-BP-PID控制器的优越性。

基于BP神经网络的数据分类matlab程序。 matlabR2020编写，可绘制出训练集及测试集结果图及各自混淆矩阵。 BP(back propagation)神经网络是1986年由Rumelhart和McClelland为首的科学家提出的概念，是一种按照误差逆向传播算法训练的多层前馈神经网络，是应用最广泛的神经网络模型之一。 基本BP算法包括信号的前向传播和误差的反向传播两个过程。即计算误差输出时按从输入到输出的方向进行，而调整权值和阈值则从输出到输入的方向进行。正向传播时，输入信号通过隐含层作用于输出节点，经过非线性变换，产生输出信号，若实际输出与期望输出不相符，则转入误差的反向传播过程。误差反传是将输出误差通过隐含层向输入层逐层反传，并将误差分摊给各层所有单元，以从各层获得的误差信号作为调整各单元权值的依据。通过调整输入节点与隐层节点的联接强度和隐层节点与输出节点的联接强度以及阈值，使误差沿梯度方向下降，经过反复学习训练，确定与最小误差相对应的网络参数(权值和阈值)，训练即告停止。此时经过训练的神经网络即能对类似样本的输入信息，自行处理输出误差最小的经过非线形转换的信息。

1. Matlab实现粒子群优化算法优化BP神经网络的数据分类预测（完整源码和数据) 2. 多变量输入，单变量输出（类别），数据分类预测 3. 评价指标包括：准确率 和 混淆矩阵 4. 包括拟合效果图 和 混淆矩阵 5. Excel数据，要求 Matlab 2018B及以上版本

基于神经网络的自适应PID控制器 通过将RBF（BP）神经网络和PID控制器相结合，建立了神经网络PID控制器，采用传递函数进行系统建模，通过自动调整PID参数，实现了对方波信号的跟踪。 程序有注释

1. Matlab实现粒子群优化算法优化BP神经网络的数据回归预测（完整源码和数据) 2. 多变量输入，单变量输出，数据回归预测 3. 评价指标包括：R2、MAE、MSE、RMSE 4. 包括拟合效果图和散点图 5. Excel数据，暂无版本限制，推荐2018B及以上版本

MatlabBP神经网络预测实例附代码+数据，BP神经网络是前向神经网络，但是改变权值系数是个反向调整，特提供BP神经网络输出结果参与建模，供大家对神经网络进行学习和交流。

基于遗传算法优化BP神经网络的数据回归预测MATLAB代码

BP神经网络时间序列预测MATLAB源代码（BP时序预测MATLAB） 1、直接替换数据即可使用，不需要理解代码 2、代码注释详细，可供学习 3、可设置延时步长 4、自动计算最佳隐含层神经元节点数量 5、作图精细，图像结果齐全 6、各误差结果指标齐全，自动计算误差平方和SSE、平均绝对误差MAE、均方误差MSE、均方根误差RMSE、平均绝对百分比误差MAPE、预测准确率、相关系数R等指标，结果种类丰富齐全 7、Excel数据集导入，直接把数据替换到Excel即可 8、可自动随意设置测试集数量 9、注释了结果在工作区

鲸鱼算法(WOA)优化BP神经网络分类预测,WOA-BP分类预测，多特征输入模型。 多特征输入单输出的二分类及多分类模型。程序内注释详细，直接替换数据就可以用。 程序语言为matlab，程序可出分类效果图，迭代优化图，混淆矩阵图。

为克服单项预测方法产生的误差,利用灰色模型GM(1,N)、多元线性回归、BP神经网络等3种单项预测方法建立组合预测模型,并采用熵值法确定加权系数。通过对PHC管桩承载力进行比较预测,结果显示GM(1,N)法平均绝对百分比误差(MAPE)值为5.4%,多元线性回归法的MAPE为3.0%,BP神经网络法的MAPE为2.8%,组合预测法的MAPE为2.3%。因此组合预测法精度较高,实用性更强。