回归预测 | Matlab实现PSO-HKELM粒子群算法优化混合核极限学习机多变量回归预测

回归预测 | Matlab实现PSO-HKELM粒子群算法优化混合核极限学习机多变量回归预测

效果一览

基本介绍

1.回归预测 | Matlab实现PSO-HKELM粒子群算法优化混合核极限学习机多变量回归预测（完整源码和数据）优化的参量分别为：正则化系数C，rbf核函数的核系数S，多项式核函数的两个核系数poly1和poly2，以及核权重系数w。
2.运行环境为Matlab2021b；
3.excel数据集，输入多个特征，输出单个变量，多变量回归预测预测，main.m为主程序，运行即可,所有文件放在一个文件夹；
4.命令窗口输出R2、MAE、 MBE、MAPE、 RMSE多指标评价；
代码特点：参数化编程、参数可方便更改、代码编程思路清晰、注释明细。

程序设计

• 完整源码和数据获取方式(资源出下载)：回归预测 | Matlab实现PSO-HKELM粒子群算法优化混合核极限学习机多变量回归预测。

%%  清空环境变量
warning off             % 关闭报警信息
close all               % 关闭开启的图窗
clear                   % 清空变量
clc                     % 清空命令行

%%  导入数据
res =xlsread('data.xlsx','sheet1','A2:H104');

%%  数据分析
num_size = 0.7;                              % 训练集占数据集比例
outdim = 1;                                  % 最后一列为输出
num_samples = size(res, 1);                  % 样本个数
res = res(randperm(num_samples), :);         % 打乱数据集（不希望打乱时，注释该行）
num_train_s = round(num_size * num_samples); % 训练集样本个数
f_ = size(res, 2) - outdim;                  % 输入特征维度

%%  划分训练集和测试集
P_train = res(1: num_train_s, 1: f_)';
T_train = res(1: num_train_s, f_ + 1: end)';
M = size(P_train, 2);

P_test = res(num_train_s + 1: end, 1: f_)';
T_test = res(num_train_s + 1: end, f_ + 1: end)';
N = size(P_test, 2);

f_ = size(P_train, 1);                  % 输入特征维度

%%  数据归一化
[p_train, ps_input] = mapminmax(P_train, 0, 1);
p_test = mapminmax('apply', P_test, ps_input);

[t_train, ps_output] = mapminmax(T_train, 0, 1);
t_test = mapminmax('apply', T_test, ps_output);

%%  参数设置
%% 获取最优正则化系数 C 和核函数参数 S 
Kernel_type1 = 'rbf'; %核函数类型1
Kernel_type2 = 'poly'; %核函数类型2

%% 适应度函数
fobj=@(X)fobj(X,p_train,t_train,p_test,t_test,Kernel_type1,Kernel_type2);

%% 优化算法参数设置
pop=10;
Max_iter=20;
ub=[20 10^(3) 10^(3) 10 1];  %优化的参量分别为：正则化系数C，rbf核函数的核系数S(接下)
lb=[1 10^(-3) 10^(-3) 1 0];  %多项式核函数的两个核系数poly1和poly2，以及核权重系数w
dim=5;
%%  优化算法

参考资料

[1] https://blog.csdn.net/kjm13182345320/article/details/129215161
[2] https://blog.csdn.net/kjm13182345320/article/details/128105718