为了提高企业信用风险评估准确率，提出了基于PSO-BP集成的企业信用风险评估模型。使用Bagging抽样技术获得足够多不同的训练数据集，用不同的训练集子集训练得到不同的PSO-BP组合成员分类器，最后通过多数投票准则整合不同组合成员分类器的分类结果。分别在包含了国内外公司的详细数据的数据集上证明了模型的有效性。

为了对煤炭企业物流成本进行有效的预测,首先分析了煤炭企业物流成本的影响因素,然后分别采用PSO-BP网络和BP网络对煤炭企业物流成本进行了预测,并对试验结果进行了对比分析,结果表明,PSO算法优化的BP神经网络,其收敛速度和预测精度都明显高于传统的BP网络。PSO-BP方法对煤炭企业物流成本的预测具有一定的参考价值和指导意义。

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。

盾构掘进过程中，为防止地表沉降或隆起，土仓压力的预测与控制至关重要．建立了一种基于粒子群算法优化的 BP 神经网络( PSO-BP) 的土仓压力预测模型．

基于PSO-bp的电能质量信号分类

针对传统PID控制系统参数整定过程存在的在线整定困难和控制品质不理想等问题，结合BP神经网络自学习和自适应能力强等特点，提出采用BP神经网络优化PID控制器参数。其次，为了加快BP神经网络学习收敛速度，防止其陷入局部极小点，提出采用粒子群优化算法来优化BP神经网络的连接权值矩阵。最后，给出了PSO-BP算法整定优化PID控制器参数的详细步骤和流程图，并通过一个PID控制系统的仿真实例来验证本文所提算法的有效性。仿真结果证明了本文所提方法在控制品质方面优于其它三种常规整定方法。

摘要：提出一种短期负荷预测算法，用于解决对未来能耗周期能源使用的预测问题。首先介绍短期负荷特点，分析短期负荷运行规律，并采用零相滤波器对原始负荷曲线进行预处理，相除奇异点。其次，介绍BP神经网络基本结构，并针对BP神经网络容易陷入局部极小值的缺点，采用PSO算法确定网络训练初始权值。然后，设计一种基于PSO-BP神经网络的短期负荷预测算法，包括预滤波、训练样本集建立、神经网络输入/输出模式设计、神经网络结构确定等。最后，选择上海市武宁科技园区的电科商务大厦进行负荷预测，实验结果表明，与传统的BP神经网络相比，PSO-BP神经网络用于短期负荷预测算法的精度更高，预测负荷和实际负荷之间的平均绝对误

基于matlab，利用pso算法的搜索能力，优化bp神经网络的阈值初始化，防止过拟合的发生。

为了有效提高混凝土抗压强度的预测精准度，利用粒子群算法优化BP神经网络初始权值和阈值，建立了混凝土抗压强多因子PSO-BP预测模型。模型以每立方混凝土中水泥、高炉矿渣粉、粉煤灰、水、减水剂、粗集料和细集料的含量以及置放天数为输入参数，混凝土抗压强度值作为输出参数，不仅可以克服BP算法收敛速度慢和易陷入局部极值的缺陷，而且模型的学习能力、泛化能力和预测精度都有了很大的提高。以UCI数据库中的Concrete Compressive Strength数据集为例进行仿真测试，结果表明：PSO-BP模型预测精度较BP、GA-BP模型分别提高了8.26%和2.05%，验证了PSO-BP模型在混凝土抗压强度预测中的有效性。