BP神经网络整定的PID算法，根据BP神经网络的算法对系统进行智能控制

BP神经网络预测，Python实现，多输入多输出，实现空气污染物预测等

行业制造-电动装置-一种基于EMD和BP神经网络的电机轴承故障辨识方法.zip

【预测模型】基于 bp神经网络风电功率预测matlab源码.md

【树叶分类】基于BP神经网络植物叶片识别分类matlab源码含GUI.md

本基于BP神经网络和卷积神经网络对手写数字识别进行研究，使用10000张已标注的大小为28*28的手写数字图片进行训练和测试，从所有图片中随机选出9000张作为训练样本对网络进行训练，另外1000张作为测试样本用于测试网络的识别效果。其中BP神经网络采用了逐像素特征提取法、数字骨架特征提取（包括粗网格特征提取、笔画密度提取、外轮廓特征提取、像素百分比特征提取四种方法）以及主成分分析法提取像素特征信息，将获得的特征信息作为网络输入进行训练。在Matlab环境下，编程分别对训练样本进行训练，测试样本进行测试识别，得到分类结果和正确率，然后对每种结果进行对比，可比较BP神经网络和卷积神经网络的优劣性

关于BP神经网络的数据分类。提供了详细说明和例程。

包含BP神经网络实现、训练代码以及随机生成数据集和多组对照实验的代码

本课题为基于MATLAB的BP神经网络手写数字识别系统。带有GUI人机交互式界面。读入测试图片，通过截取某个数字，进行预处理，经过bp网络训练，得出识别的结果。可经过二次改造成识别中文汉字，英文字符等课题。

以提高预测软件老化趋势为应用背景，提出一种新型粒子群退火算法（New Particle Swarm Annealing Algorithm，NPSOSA）优化BP神经网络的权值和阈值，继而构建NPSOSA-BP神经网络预测模型.实验通过搭建软件老化测试平台，收集所需的老化数据并进行仿真训练.实验结果表明，NPSOSA-BP神经网络模型相比于传统粒子群算法（PSO）、传统粒子群退火算法（PSOSA）优化的BP神经网络模型提高了预测精度和适用度，在该应用领域验证了本文方法的有效性.