多种时间序列、数据分类、数据回归算法(matlab代码)

本文概述了使用BP神经网络、支持向量机、遗传算法、随机森林、径向基神经网络、卷积神经网络、长短时记忆网络等在数据回归、分类和时间序列预测中的应用,以及粒子群优化和极限学习机对这些模型的优化策略。
摘要由CSDN通过智能技术生成

目录

000_代码获取

001_基于BP神经网络的数据回归预测

​002_基于BP神经网络的数据分类预测

​003_基于BP神经网络的时间序列预测

​004_基于支持向量机(libsvm)的数据回归预测

​005_基于支持向量机(libsvm)的数据分类预测

​006_基于支持向量机(libsvm)的时间序列预测

​007_基于遗传算法优化的BP神经网络数据回归预测

​008_基于遗传算法优化的BP神经网络数据分类预测​编辑009_基于遗传算法优化的BP神经网络时间序列预测

​010_基于随机森林算法的数据回归预测

​011_基于随机森林算法的数据分类预测​编辑012_基于随机森林算法的时间序列预测

​013_基于径向基神经网络的数据回归预测

​014_基于径向基神经网络的数据分类预测

​015_基于径向基神经网络的时间序列预测

​016_基于BP神经网络的多输出数据回归预测

​017_基于卷积神经网络的数据回归预测

​018_基于卷积神经网络的数据分类预测

​019_基于卷积神经网络的时间序列预测

​020_基于BP神经网络的数据回归预测 - 预测新数据

​021_基于长短时记忆网络的数据回归预测​编辑022_基于长短时记忆网络的数据分类预测

​023_基于长短期记忆网络的时间序列预测 LSTM

​024_基于粒子群优化算法优化BP神经网络的数据回归预测 PSO-BP​编辑025_基于粒子群优化算法优化BP神经网络的数据分类预测 PSO-BP

​026_基于粒子群优化算法优化BP神经网络的时间序列预测 PSO-BP

​027_基于极限学习机的数据回归预测 ELM

​028_基于极限学习机的数据分类预测 ELM

​029_基于极限学习机的时间序列预测 ELM

​030_基于粒子群优化算法优化的支持向量机(libsvm)的数据回归预测

​031_基于粒子群优化算法优化的支持向量机(libsvm)的数据分类预测


000_代码获取

多种时间序列、数据分类、数据回归算法

001_基于BP神经网络的数据回归预测

002_基于BP神经网络的数据分类预测

003_基于BP神经网络的时间序列预测

004_基于支持向量机(libsvm)的数据回归预测

005_基于支持向量机(libsvm)的数据分类预测

006_基于支持向量机(libsvm)的时间序列预测

007_基于遗传算法优化的BP神经网络数据回归预测

008_基于遗传算法优化的BP神经网络数据分类预测009_基于遗传算法优化的BP神经网络时间序列预测

010_基于随机森林算法的数据回归预测

011_基于随机森林算法的数据分类预测012_基于随机森林算法的时间序列预测

013_基于径向基神经网络的数据回归预测

014_基于径向基神经网络的数据分类预测

015_基于径向基神经网络的时间序列预测

016_基于BP神经网络的多输出数据回归预测

017_基于卷积神经网络的数据回归预测

018_基于卷积神经网络的数据分类预测

019_基于卷积神经网络的时间序列预测

020_基于BP神经网络的数据回归预测 - 预测新数据

021_基于长短时记忆网络的数据回归预测022_基于长短时记忆网络的数据分类预测

023_基于长短期记忆网络的时间序列预测 LSTM

024_基于粒子群优化算法优化BP神经网络的数据回归预测 PSO-BP025_基于粒子群优化算法优化BP神经网络的数据分类预测 PSO-BP

026_基于粒子群优化算法优化BP神经网络的时间序列预测 PSO-BP

027_基于极限学习机的数据回归预测 ELM

028_基于极限学习机的数据分类预测 ELM

029_基于极限学习机的时间序列预测 ELM

030_基于粒子群优化算法优化的支持向量机(libsvm)的数据回归预测

031_基于粒子群优化算法优化的支持向量机(libsvm)的数据分类预测

  • 37
    点赞
  • 39
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值