abc991835105的博客

随机森林原理，葡萄酒二分类

极限学习机原理，网格寻优核极限学习机，基于网格寻优的核极限学习机回归分析。

极限学习机原理，基于决策融合的极限学习机分类预测，基于融合ELM的分类预测，基于融合极限学习机的电子鼻采集数据分类。

极限学习机原理，基于极限学习机的软件质量评估，基于极限学习机的软件质量预测，基于ELM的软件质量识别。

极限学习机原理，基于极限学习机的曲线分类，基于极限学习机的光谱分类，基于极限学习机的分类预测。

极限学习机原理，，粒子群算法的原理，粒子群算法的主要参数，粒子群算法流程图，子群优化极限学习机时间序列预测，pso-elm时间序列回归分析。

极限学习机原理，基于核极限学习机的回归分析。

极限学习机原理，粒子群算法的原理，粒子群算法的主要参数，粒子群算法流程图，LCD-LMD-PSO-ELM的电能质量分类，LCD特征提取，LMD特征提取，粒子群算法优化极限学习机。

RBF神经网络原理，RBF神经网络回归分析

孤立森林原理，孤立森林公式，目标检测，孤立森林异常数据检测

卡尔曼滤波原理，视频跟踪，运动物体跟踪

寻优算法，测试函数，粒子群算法，粒子群算法的原理，粒子群算法的主要参数，粒子群算法流程图,rbf原理，粒子群算法优化RBF神经网络回归分析径向基函数（Radical Basis Function，RBF）方法是Powell在1985年提出的。所谓径向基函数，其实就是某种沿径向对称的标量函数。通常定义为空间中任一点x到某一中心c之间欧氏距离的单调函数，可记作k(||x-c||)，其作用往往是局部的，即当x远离c时函数取值很小。

基于变态模态分解+bp-rf的轴承故障分类，基于变态模态分解的+BP神经网络-随机森林的轴承故障分类

基于SVM的冷却剂流量预测，基于支持向量机SVM的冷却剂流量预测

RBF，RBF图像跟踪

RBF神经网络原理，RBF回归分析，RBF空调功率预测

BP神经网络原理，火焰识别，火灾识别，代码和结果分析

随机森林原理，电器启动识别

粒子群算法原理，随机森林原理，粒子群改进随机森林，代码和结果分析

随机森林详细原理，随机森林mnist数据集分类，分类代码，分类效果

随机森林详细原理，随机森林碳排放量预测，

详细介绍随机森林原理，差分算法原理，并用差分进化改进RF，并进行分类预测

详细介绍天鹰算法的原理，天鹰算法优化随机森林，然后用改进的随机森林进行多分类，分类准确率更高，

详细介绍随机森林的原理，随机森林回归分析，输出参数的重要性和迭代收敛曲线，输出回归预测值，

详细介绍了长短期神经网络的相关理论，matlab编程实现了对电力负荷的预测，有代码和结果图

详细介绍长短期神经网络原理，基于MATLAB编程，实现LSTM神经网络三维路径跟踪预测，论文附有代码和结果

BP神经网络的详细原理，MATLAB编程实现图像血管分类

LSTM原理，基于MATLAB编程实现多输入多少输出的LSTM回归分析

LSTM原理，MATLAB编程实现LSTM大豆期货价格预测，

VMD边际谱提取，DBN无监督学习，极限学习机ELM分类，三者结合，准确率很高

DBN可以进行无监督特征提取，LSTM擅长学习时间序列，二者结合实现时间序列的电容预测

DBN是一种深度信念网络，优点在可以处理大输入数据，能训练中自动降维，训练的过程就是降维的过程，缺点是拟合逼近能力不强，本文用SVM代替DBN的输出层，实现多分类预测，提高DBN的分类准确率，

DBN神经网络是一种深度信念网络，。既可以用于非监督学习，类似于一个自编码机；也可以用于监督学习，作为分类器来使用。本文构建四层的DBN神经网络，进行回归分析，论文附有DBN的代码

首先通过灰色预测建立预测模型，然后以灰色模型的输入为神经网络的输入，以灰色模型的误差为神经网络的输出，进行训练建模，然后通过训练好的BP神经网络，校正灰色模型的误差，并通过粒子群改进灰色神经网络，进一步改进，按照BP神经网络改进灰色模型的思路，可以用其他神经网络改进灰色模型，提高灰色模型的准确度，比如常见的SVM,CNN,RBF,ELMAN,RVM,DBN，LSTM等

针对基本粒子群算法容易发生早熟收敛,陷入局部最优,等缺点,提出了基于莱维飞行的改进粒子群算法.在粒子位置更新公式中,防止后期速度项对微敛速度的影响太小，粒子群飞行太忙，跳不出局部最优，,利用莱维飞行改变粒子位置移动方向,防止粒子陷入局部最优值,通过贪婪的更新评价策略.选择最优解,从而得到全局最优.实验结果表明,与基本粒子群算法,所提出的基于莱维飞行的改进粒子群算法能够有效地提高解的精度并加快收敛速度,寻优效果更优，并将其应用到lstm的参数优化上，并用改进的lstm进行客流量预测，LSTM对处理时间序列的数

要计算准确率，精确度，召回率，必须首先明白四个基本参数，如下：a，-True Positive(真正, TP)：将正类预测为正类数.b，-True Negative(真负, TN)：将负类预测为负类数.c，-False Positive(假正, FP)：将负类预测为正类数 →→ 误报 (Type I error).d，-False Negative(假负, FN)：将正类预测为负类数 →→ 漏报 (Type II error).然后通过BP神经网络进行二分类，并计算准确率，精确度，召回率