- 博客(28)
- 收藏
- 关注
RSS订阅原创 SVM时序预测-Support Vector Machine Time Series Prediction
SVM时序预测（Support Vector Machine Time Series Prediction）是一种基于**支持向量机（Support Vector Machine, SVM）**的时间序列预测方法。支持向量机是一种监督学习模型，广泛应用于分类和回归任务。在时间序列预测中，SVM通过构建一个高维空间中的超平面，能够有效捕捉数据中的非线性关系和复杂模式，适用于各种类型的时间序列数据。
2025-03-16 14:50:07
623
原创 RF时序预测-Random Forest Time Series Prediction
RF时序预测（Random Forest Time Series Prediction）是一种基于随机森林算法的时间序列预测方法。随机森林是一种集成学习方法，通过构建多个决策树并结合其预测结果来提升模型的准确性和稳定性。在时间序列预测中，随机森林能够有效捕捉数据中的非线性关系和复杂模式，适用于各种类型的时间序列数据。
2025-03-16 14:48:52
660
原创 RBF时序预测-Radial Basis Function Time Series Prediction
RBF时序预测（Radial Basis Function Time Series Prediction）是一种基于**径向基函数网络（Radial Basis Function Network, RBF）**的时间序列预测方法。RBF网络是一种前馈神经网络，具有输入层、隐藏层和输出层，隐藏层使用径向基函数作为激活函数。RBF时序预测利用RBF网络的非线性映射能力，对时间序列数据进行建模和预测。
2025-03-16 14:47:26
727
原创 PSO-BP时序预测-Particle Swarm Optimization - Backpropagation Time Series Prediction
PSO-BP时序预测（Particle Swarm Optimization - Backpropagation Time Series Prediction）是一种结合**粒子群优化算法（Particle Swarm Optimization, PSO）和反向传播神经网络（Backpropagation Neural Network, BP）**的时间序列预测方法。该方法利用PSO算法优化BP神经网络的权重和偏置，从而提高模型的预测准确性和收敛速度。
2025-03-16 14:45:43
626
原创 LSTM时序预测-Long Short-Term Memory Time Series Prediction
LSTM时序预测（Long Short-Term Memory Time Series Prediction）是一种基于**长短期记忆网络（Long Short-Term Memory, LSTM）**的时间序列预测方法。LSTM是一种特殊类型的循环神经网络（Recurrent Neural Network, RNN），专门设计用于解决传统RNN在处理长序列数据时的梯度消失和梯度爆炸问题。
2025-03-16 14:43:30
881
原创 GA-BP时序预测-遗传算法-反向传播神经网络时序预测
GA-BP时序预测（遗传算法-反向传播神经网络时序预测，Genetic Algorithm-Back Propagation Neural Network Time Series Prediction）是一种结合了**遗传算法（Genetic Algorithm, GA）和反向传播神经网络（Back Propagation Neural Network, BP）**的混合模型，用于处理时间序列数据的预测任务。该方法利用遗传算法优化BP神经网络的权重和偏置，从而提升模型的预测性能和泛化能力。
2025-03-16 14:41:42
990
原创 ELM时序预测-极限学习机时序预测-Extreme Learning Machine Time Series Prediction
ELM时序预测（极限学习机时序预测，Extreme Learning Machine Time Series Prediction）是一种利用**极限学习机（Extreme Learning Machine, ELM）**进行时间序列数据预测的方法。ELM是一种前馈神经网络，具有单隐层结构，其主要特点是随机初始化输入权重和偏置，然后通过最小二乘法快速计算输出权重。由于其训练速度快、泛化能力强，ELM广泛应用于各种时间序列预测任务，如电力负荷预测、股票价格预测、气象预测等。
2025-03-16 14:40:06
650
原创 CNN时序预测-卷积神经网络时序预测-Convolutional Neural Network Time Series Prediction
CNN时序预测（卷积神经网络时序预测，Convolutional Neural Network Time Series Prediction）是一种利用**卷积神经网络（Convolutional Neural Network, CNN）**进行时间序列数据预测的方法。CNN通过卷积层和池化层能够有效提取输入数据中的局部特征和模式，尤其适用于处理具有局部相关性和空间结构的数据。在时间序列预测中，CNN可以捕捉时间序列数据中的局部依赖关系和趋势变化，提高预测的准确性和鲁棒性。
2025-03-16 14:38:12
904
1
原创 BP时序预测-基于反向传播的时序预测-Backpropagation Time Series Prediction
BP时序预测（基于反向传播的时序预测，Backpropagation Time Series Prediction）是一种利用**反向传播神经网络（Backpropagation Neural Network, BP神经网络）**进行时间序列数据预测的方法。BP神经网络通过多层感知器结构，能够学习和拟合输入特征与输出目标之间的复杂非线性关系，广泛应用于各种时间序列预测任务中，如股市预测、气象预测、能源消耗预测等。
2025-03-16 14:33:35
601
原创 GA-BP回归-遗传算法（Genetic Algorithm）和反向传播神经网络（Backpropagation Neural Network）
GA-BP回归（遗传算法-反向传播回归，Genetic Algorithm-Backpropagation Regression）是一种结合了**遗传算法（Genetic Algorithm, GA）和反向传播神经网络（Backpropagation Neural Network, BP）**的混合回归方法。该方法旨在通过遗传算法优化BP神经网络的初始权重和偏置，进而利用反向传播算法进一步调整网络参数，以提高模型的预测准确性和泛化能力。
2024-12-23 16:24:59
1732
原创 ELM回归-单隐层前馈神经网络（Single Hidden Layer Feedforward Neural Network）
ELM回归（极限学习机回归，Extreme Learning Machine Regression）是一种基于**单隐层前馈神经网络（Single Hidden Layer Feedforward Neural Network, SLFN）**的高效回归算法。ELM由黄铁军等人在2004年提出，旨在通过随机初始化输入层到隐藏层的权重，并通过解析方法快速计算隐藏层到输出层的权重，从而实现高效的训练过程。与传统的反向传播算法相比，ELM具有训练速度快、泛化能力强等优点，广泛应用于回归、分类和模式识别等领域。
2024-12-23 16:22:56
1156
原创 CNN回归-卷积神经网络（Convolutional Neural Network）
CNN回归（卷积神经网络回归）是一种基于**卷积神经网络（Convolutional Neural Network, CNN）**的回归算法。卷积神经网络最初主要应用于图像处理和计算机视觉任务，如图像分类、目标检测和语义分割。然而，随着其强大的特征提取能力，CNN也被广泛应用于回归问题，如时间序列预测、信号处理和结构参数估计等。该MATLAB代码实现了基于**卷积神经网络（CNN）**的回归算法，简称“CNN回归”。数据预处理导入数据集，并随机打乱数据顺序。将数据集划分为训练集和测试集。
2024-12-23 16:20:32
1357
1
原创 BP回归-反向传播（Backpropagation）
源码BP回归（反向传播神经网络回归）是一种基于**反向传播（Backpropagation）**算法的神经网络模型，用于解决回归问题。BP神经网络是一种前馈神经网络，通过前向传播计算输出结果，并通过反向传播算法调整网络的权重和阈值，以最小化预测值与真实值之间的误差。BP回归广泛应用于预测、拟合和函数逼近等任务，具有强大的非线性建模能力和良好的泛化性能。该MATLAB代码实现了基于**反向传播（BP）**神经网络的回归算法，简称“BP回归”。数据预处理导入数据集，并随机打乱数据顺序。
2024-12-23 16:17:51
1375
原创 SVM分类-支持向量机（Support Vector Machine）
源码SVM分类（支持向量机分类）是一种基于**支持向量机（Support Vector Machine, SVM）**的监督学习算法，广泛应用于分类和回归分析。SVM通过在高维空间中寻找最佳分隔超平面，将不同类别的数据样本进行有效区分。其核心思想是最大化类间边界（Margin），以提高模型的泛化能力和鲁棒性。该MATLAB代码实现了基于**支持向量机（SVM）**的分类算法，简称“SVM分类”。数据预处理导入数据集，并随机打乱数据顺序。将数据集划分为训练集和测试集。
2024-12-22 13:59:16
1702
原创 RF分类-随机森林（Random Forest）
源码RF分类（随机森林分类）是一种集成学习方法，基于**随机森林（Random Forest）**算法，用于解决分类和回归问题。随机森林通过构建多个决策树并结合它们的预测结果来提高模型的准确性和稳健性。相比单一的决策树，随机森林具有更强的泛化能力，能够有效减少过拟合现象。该MATLAB代码实现了基于**随机森林（Random Forest）**的分类算法，简称“RF分类”。数据预处理导入数据集，并随机打乱数据顺序。将数据集划分为训练集和测试集。对数据进行归一化处理，以提高训练效果。
2024-12-22 13:57:31
1773
原创 RBF分类-径向基函数神经网络（Radial Basis Function Neural Network）
源码RBF分类（径向基函数分类）是一种基于**径向基函数神经网络（Radial Basis Function Neural Network, RBFNN）**的分类算法。RBF神经网络是一种前馈神经网络，广泛应用于分类、回归和函数逼近等任务。与传统的多层感知器（MLP）神经网络不同，RBF网络通常具有单一的隐藏层，并使用径向基函数作为激活函数，具有更快的训练速度和良好的泛化能力。该MATLAB代码实现了基于**径向基函数（RBF）**的神经网络分类算法，简称“RBF分类”。数据预处理。
2024-12-22 13:55:36
1315
原创 PSO-BP分类-粒子群优化算法（Particle Swarm Optimization）与反向传播神经网络（Backpropagation Neural Network）
源码PSO-BP 分类是一种结合了**粒子群优化算法（Particle Swarm Optimization, PSO）与反向传播神经网络（Backpropagation Neural Network, BP）**的混合模型，旨在提升神经网络在分类任务中的性能和效率。通过利用PSO的全局搜索能力优化BP神经网络的权重和阈值，PSO-BP分类能够在复杂的分类问题中取得更高的准确率和更快的收敛速度。该MATLAB代码实现了基于粒子群优化（PSO）和反向传播（BP）神经网络的分类算法，简称“PSO-BP分类”。
2024-12-22 13:53:59
1129
原创 LSTM分类-递归神经网络（Recurrent Neural Network）
源码LSTM分类（Long Short-Term Memory Classification）是一种基于**长短期记忆网络（Long Short-Term Memory, LSTM）**的分类方法。LSTM是一种特殊的递归神经网络（Recurrent Neural Network, RNN），设计用于处理和预测序列数据中的长期依赖关系。与传统的RNN相比，LSTM通过其独特的门控机制（输入门、遗忘门和输出门）有效地缓解了梯度消失和爆炸问题，能够记忆和遗忘信息，从而在处理长序列数据时表现出色。
2024-12-22 13:47:11
1133
原创 GA-BP分类-遗传算法（Genetic Algorithm）和反向传播算法（Backpropagation）
GA-BP 分类神经网络结合了遗传算法（Genetic Algorithm，简称 GA）和反向传播算法（Backpropagation，简称 BP）来优化神经网络的权重和偏置。具体来说，遗传算法用于全局搜索最优或接近最优的权重和偏置初始值，随后反向传播算法进一步精细调整这些参数，以提高分类性能。这种结合利用了遗传算法的全局优化能力和 BP 算法的局部优化能力，能够有效地避免陷入局部最优，提高模型的泛化能力。
2024-12-22 13:40:17
1575
原创 ELM分类-单隐藏层前馈神经网络（Single Hidden Layer Feedforward Neural Network, SLFN）
源代码极限学习机（Extreme Learning Machine，简称ELM）是一种单隐藏层前馈神经网络（Single Hidden Layer Feedforward Neural Network, SLFN）的快速学习算法。与传统的神经网络训练方法不同，ELM在训练过程中随机初始化隐藏层权重和偏置，然后通过最小二乘法（Least Squares Method）直接计算输出权重，极大地加快了训练速度。ELM由于其简单、高效和良好的泛化能力，在各种分类和回归任务中得到了广泛应用。
2024-12-22 13:37:15
1165
原创 Python日常使用的自动化脚本
Python日常使用的自动化脚本LinkDescriptionsort_files根据文件扩展名将目录中的文件组织到子目录中remove_empty_folders删除所有空的文件夹rename_files批量重命名目录中的文件scrape_data从网站上抓取数据download_images从网站批量下载图片count_words统计指定文件中的单词总数find_replace在文件中查找并替换特定文本send_persona
2024-12-22 13:19:44
192
原创 CNN分类-卷积神经网络（Convolutional Neural Network）
卷积神经网络（Convolutional Neural Network，简称CNN）是一种深度学习模型，特别擅长处理具有网格结构的数据，如图像。CNN通过卷积层、池化层和全连接层等结构，能够自动提取数据中的空间特征，广泛应用于计算机视觉和图像处理领域。卷积神经网络（CNN）作为深度学习领域的核心模型，在图像处理、计算机视觉、医疗诊断、自动驾驶等多个领域展现出强大的性能。通过其独特的结构和自动特征提取能力，CNN能够高效、准确地处理和分析复杂的视觉数据。
2024-12-21 19:19:59
1155
原创 BP分类-反向传播神经网络（Backpropagation Neural Network）
BP神经网络，即反向传播神经网络（Backpropagation Neural Network），是一种前馈神经网络，通过反向传播算法训练网络权重。其基本结构包括输入层、一个或多个隐藏层以及输出层。BP算法通过计算输出误差并将误差反向传播到网络中，逐步调整权重，以最小化误差。BP神经网络作为一种经典的前馈神经网络，因其强大的学习和泛化能力，在各个领域得到了广泛应用。通过适当的数据预处理、网络结构设计和训练参数调整，BP神经网络能够在模式识别、分类、预测等任务中表现出色。
2024-12-21 19:16:26
1608
原创 MOEA-D（基于分解的多目标进化算法）
MOEA-D（基于分解的多目标进化算法）是一种用于多目标优化的进化算法，其核心思想是将多目标优化问题分解为多个单目标优化问题。
2024-10-24 13:42:58
631
原创 非支配性排序遗传算法 III---NSGA-III
NSGA-III 通过引入参考点和改进选择机制，在处理多目标优化问题时表现出色，能够有效找到分布均匀的Pareto前沿。其优越的性能使其成为现代多目标优化领域中的重要工具。
2024-10-15 17:43:17
2762
1
原创 非支配性排序遗传算法 II---NSGA-II
NSGA-II是一种强大的多目标优化算法，通过非支配排序和拥挤距离机制在保证解质量的同时维护解的多样性，适合于解决复杂的优化问题。
2024-10-15 17:41:05
2197
1
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人