为了提高预测模型的精度,给出了一种新的组合预测模型.利用时间序列ARIMA预测模型、BP神经网络及GM灰色预测模型进行单一模型的拟合与预测,通过赋予适当权系数结合三种方法得到了新的组合预测模型.山西省人均GDP预测实例应用结果表明:组合预测模型很好地描述了山西省人均GDP的非线性发展,比单一预测方法具有更高的预测精度.组合模型发挥了这三种模型各自的优势,可以作为人均GDP预测的有效方法,该模型在时间序列的预测中是有效的.

0积分下载，代码运行效果图见压缩包

BP神经网络的详细介绍，包括基本算法及理论，方便初学者学习掌握

煤层瓦斯含量是矿井瓦斯灾害防治的主要参数之一,影响其分布特征的地质因素有很多。利用灰色理论的灰色关联分析法对选取的8个影响煤层瓦斯含量的地质因素进行了分析,筛选出断距、埋深、基岩厚度以及挥发分4个主要影响因素,并将其作为BP神经网络模型的输入端建立了煤层瓦斯含量预测模型。对该预测模型进行训练与仿真检验,并与传统的多元线性回归预测方法进行比较分析。

ANN处理多分类神经网络， 多层多分类处理10分类问题。

通过bp神经网路和证据理论的信息处理，是系统对火灾信息的报警信息更加准确

利用matlab实现的bp神经网络分类，已经手动求好梯度，可以根据需要选择是否加入偏置。 经测试，正确率可达到90%以上

基于遗传算法的BP神经网络齿轮箱故障诊断实例 资源包含以下内容，下载即可运行 1) Sheffield的遗传算法工具箱； 2) Bpfun.m 表示BP神经网络函数 3) 遗传算法主函数.m 4) callbackfun.m 回代网格函数：将该初始权值和阈值回代入网络画出训练误差曲线、预测值、预测误差、训练误差等。 5) data.mat 齿轮箱故障数据 6) Objfun.m 求解种群中各个个体的目标值函数 注意事项，一定要将Sheffield遗传算法工具箱加载到运行路径中！ 运行过程时间有点长，请耐心等待！

信号与系统BP拉兹 PDF版本 相较于教材资料 更系统化

该课题为基于Matlab的神经网络汉字识别系统。是用bp神经网络。带有一个人机交互界面，输入测试图片，进行预处理，读取隐含层等信息，进行信息识别的输出。