机器学习之MATLAB代码--SMA_LSSVM（十一）

  • 代码
    • 数据
      • 结果

代码

以下代码按照图中顺序依次：

1、

clc;
clear all;
close all
addpath addpath%%  导入数据
% 训练集——190个样本
P_train = xlsread('data','training set','B2：G191')'; T_train= xlsread('data','training set','H2：H191')';
% 测试集——44个样本
P_test=xlsread('data','test set','B2:G45')';T_test=xlsread('data','test set','H2:H45')';N = size(P_test, 2);          % 测试集样本数
M = size(P_train, 2);         % 训练集样本数
%%  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);%% 模型训练与预测
SearchAgents_no=20;
Max_iteration=20;
dim=2;
lb=[0.001,0.001];%参数下限
ub=[500,100];%参数上限
type = 'function estimation';
%% c和g寻优
[sig2,gamma]=sma_ls(SearchAgents_no,Max_iteration,dim,ub,lb,type,p_train',t_train',p_test',t_test');  %%蝴蝶优化算法[alpha,b] = trainlssvm({p_train',t_train',type,sig2,gamma,'RBF_kernel'});  %sig2,gamma,
t_sim1= simlssvm({p_train',t_train',type,sig2,gamma,'RBF_kernel'},{alpha,b},p_train');
t_sim2= simlssvm({p_train',t_train',type,sig2,gamma,'RBF_kernel'},{alpha,b},p_test');
t_sim1=t_sim1';t_sim2=t_sim2';%%  数据反归一化
T_sim1 = mapminmax('reverse', t_sim1, ps_output);
T_sim2 = mapminmax('reverse', t_sim2, ps_output);%%  均方根误差
error1 = sqrt(sum((T_sim1 - T_train).^2) ./ M);
error2 = sqrt(sum((T_sim2 - T_test ).^2) ./ N);%%  绘图
figure
plot(1: M, T_train, 'r-*', 1: M, T_sim1, 'k-o', 'LineWidth', 1)
legend('真实值','预测值')
xlabel('预测样本')
ylabel('预测结果')
string = {'训练集预测结果对比'; ['RMSE=' num2str(error1)]};
title(string)
xlim([1, M])
grid offfigure
plot(1: N, T_test, 'r-*', 1: N, T_sim2, 'k-o', 'LineWidth', 1)
legend('真实值','预测值')
xlabel('预测样本')
ylabel('预测结果')
string = {'测试集预测结果对比';['RMSE=' num2str(error2)]};
title(string)
xlim([1, N])
grid off%%  相关指标计算
disp(['训练集数据误差：'])
[mae_train,mse_train,rmse_train,mape_train,error_train,errorPercent_train,R_train]=calc_error(T_train,T_sim1); %
disp(['测试集数据误差：'])
[mae_test,mse_test,rmse_test,mape_test,error_test,errorPercent_test,R_test]=calc_error(T_test,T_sim2); %

2、

function [sig2,gamma]=sma_ls(N,Max_iter,dim,ub,lb,type,pn_train,tn_train,pn_test,tn_test);% 种群初始化
fobj=@(x)fun(x,pn_train,tn_train,pn_test,tn_test,type);
bestPositions=zeros(1,dim);
Destination_fitness=inf;%设置初始全最优适应度
AllFitness = inf*ones(N,1);%初始所有种群的适应度
weight = ones(N,dim);%每一个黏菌的权重
%种群初始化
X=initialization(N,dim,ub,lb);   %%佳点集种群初始化
it=1;  %初始迭代次数
lb=ones(1,dim).*lb; % 下界
ub=ones(1,dim).*ub; % 上界
z=0.02; % 初始参数z% 主循环
while  it <= Max_iter
itfor i=1:N% 检查是否在范围内Flag4ub=X(i,:)>ub;Flag4lb=X(i,:)<lb;X(i,:)=(X(i,:).*(~(Flag4ub+Flag4lb)))+ub.*Flag4ub+lb.*Flag4lb;AllFitness(i) = fobj(X(i,:));end[SmellOrder,SmellIndex] = sort(AllFitness);  %%筛选出最优和最差的种群worstFitness = SmellOrder(N);bestFitness = SmellOrder(1);S=bestFitness-worstFitness+eps;  %避免分母为0的操作 %计算每一个黏菌的权重for i=1:Nfor j=1:dimif i<=(N/2)  %参考源码，式2.5 weight(SmellIndex(i),j) = 1+rand()*log10((bestFitness-SmellOrder(i))/(S)+1);elseweight(SmellIndex(i),j) = 1-rand()*log10((bestFitness-SmellOrder(i))/(S)+1);endendend%更新当前最优的种群和适应度if bestFitness < Destination_fitnessbestPositions=X(SmellIndex(1),:);Destination_fitness = bestFitness;enda = atanh(-(it/Max_iter)+1);   %参考原式2.4 b = 1-it/Max_iter;% 更新每一代种群的位置for i=1:Nif rand<z     %Eq.(2.7)X(i,:) = (ub-lb)*rand+lb;elsep =tanh(abs(AllFitness(i)-Destination_fitness));  %Eq.(2.2)vb = unifrnd(-a,a,1,dim);  %Eq.(2.3)vc = unifrnd(-b,b,1,dim);for j=1:dimr = rand();A = randi([1,N]);  % two positions randomly selected from populationB = randi([1,N]);if r<p    %Eq.(2.1)X(i,j) = bestPositions(j)+ vb(j)*(weight(i,j)*X(A,j)-X(B,j));elseX(i,j) = vc(j)*X(i,j);endendendendtrace(it,1)=Destination_fitness;trace(it,2)=mean( AllFitness);it=it+1;
end
%% %%%%%%%%%%%%%用SMA算法优化LSSVM中的参数c和g结束%%%%%%%%%%%%%%%%%%%%
bestX=bestPositions;
sig2=bestX(1);
gamma=bestX(2);
%%
figure;
hold on;
trace = round(trace*10000)/10000;
plot(trace(1:Max_iter,1),'r*-','LineWidth',1.5);
plot(trace(1:Max_iter,2),'bo-','LineWidth',1.5);
legend('最佳适应度','平均适应度');
xlabel('进化代数','FontSize',12);
ylabel('适应度','FontSize',12);
axis([0 Max_iter-1 0 100]);
grid on;
axis auto;line1 = '适应度曲线Accuracy[ISMAmethod]';
line2 = ['(终止代数=', ...num2str(Max_iter),',种群数量pop=', ...num2str(N),')'];
line3 = ['Best c=',num2str(sig2),' g=',num2str(gamma), ...' RMSE=',num2str((Destination_fitness))];
title({line1;line2;line3},'FontSize',12);

3、

%_________________________________________________________________________________
%  Salp Swarm Algorithm (SSA) source codes version 1.0
%
%  Developed in MATLAB R2016a
%
%  Author and programmer: Seyedali Mirjalili
%
%         e-Mail: ali.mirjalili@gmail.com
%                 seyedali.mirjalili@griffithuni.edu.au
%
%       Homepage: http://www.alimirjalili.com
%
%   Main paper:
%   S. Mirjalili, A.H. Gandomi, S.Z. Mirjalili, S. Saremi, H. Faris, S.M. Mirjalili,
%   Salp Swarm Algorithm: A bio-inspired optimizer for engineering design problems
%   Advances in Engineering Software
%   DOI: http://dx.doi.org/10.1016/j.advengsoft.2017.07.002
%____________________________________________________________________________________% This function initialize the first population of search agents
function Positions=initialization(SearchAgents_no,dim,ub,lb)Boundary_no= size(ub,1); % numnber of boundaries% If the boundaries of all variables are equal and user enter a signle
% number for both ub and lb
if Boundary_no==1Positions=rand(SearchAgents_no,dim).*(ub-lb)+lb;
end% If each variable has a different lb and ub
if Boundary_no>1for i=1:dimub_i=ub(i);lb_i=lb(i);Positions(:,i)=rand(SearchAgents_no,1).*(ub_i-lb_i)+lb_i;end
end

4、

function fitness=fun(Position,pn_train,tn_train,pn_test,tn_test,type)sig2=Position(2);gamma=Position(1);[alpha,b] = trainlssvm({pn_train,tn_train,type,gamma,sig2,'RBF_kernel'});predict_test = simlssvm({pn_train,tn_train,type,gamma,sig2,'RBF_kernel'},{alpha,b},pn_test);fitness= sqrt(sum((tn_test-predict_test).^2)/size(tn_test,1));
end

5、

function [mae,mse,rmse,mape,error,errorPercent,R]=calc_error(x1,x2)
%此函数用于计算预测值和实际（期望）值的各项误差指标
%   参数说明
%----函数的输入值-------
%   x1：真实值
%   x2：预测值%----函数的返回值-------
%   mae：平均绝对误差（是绝对误差的平均值，反映预测值误差的实际情况.）
%   mse：均方误差（是预测值与实际值偏差的平方和与样本总数的比值）
%   rmse：均方误差根（是预测值与实际值偏差的平方和与样本总数的比值的平方根，也就是mse开根号，
%               用来衡量预测值同实际值之间的偏差）
%   mape：平均绝对百分比误差（是预测值与实际值偏差绝对值与实际值的比值，取平均值的结果，可以消除量纲的影响，用于客观的评价偏差）
%   error：误差
%   errorPercent：相对误差
if nargin==2if size(x1,2)==1x1=x1';  %将列向量转换为行向量endif size(x2,2)==1x2=x2';  %将列向量转换为行向量endnum=size(x1,2);%统计样本总数error=x2-x1;  %计算误差errorPercent=abs(error)./x1; %计算每个样本的绝对百分比误差mae=sum(abs(error))/num; %计算平均绝对误差mse=sum(error.*error)/num;  %计算均方误差rmse=sqrt(mse);     %计算均方误差根mape=mean(errorPercent);  %计算平均绝对百分比误差r=corrcoef(x1,x2);R=r(1,2);%结果输出disp(['平均绝对误差mae为：              ',num2str(mae)])disp(['均方误差mse为：                    ',num2str(mse)])disp(['均方误差根rmse为：                ',num2str(rmse)])disp(['平均绝对百分比误差mape为：   ',num2str(mape*100),' %'])disp(['拟合优度/关联系数R为：           ',num2str(R)])elsedisp('函数调用方法有误，请检查输入参数的个数')
endend

数据

结果




如有需要代码和数据的同学请在评论区发邮箱，一般一天之内会回复，请点赞＋关注谢谢！！

机器学习之MATLAB代码--SMA_LSSVM（十一）相关推荐

  1. 开源机器学习之MATLAB代码--LSTM-SVRNN（五）

    机器学习之MATLAB代码--LSTM-SVRNN(五) 代码 数据 结果 代码 1.cdmnn.m文件 %% 组合模型 %% %% 数据导入 clc;clear;warning off; data= ...

  2. 机器学习之MATLAB代码--CEEMDAN+EEMD+EMD+VMD+IMF重构络（十八）

    机器学习之MATLAB代码--CEEMDAN+EEMD+EMD+VMD+IMF重构络(十八) 压缩分量的EEMD代码 压缩分量的EEMD数据 压缩分量的EEMD结果 CEEMDAN代码 CEEMDAN ...

  3. 机器学习之MATLAB代码--MATLAB量子粒子群优化LSTM超参数负荷预测(十三）

    机器学习之MATLAB代码--MATLAB量子粒子群优化LSTM超参数负荷预测(十三) 代码 数据 结果 代码 代码按照下列顺序依次: 1. function result(true_value,pr ...

  4. 机器学习之MATLAB代码--LSTM和BiLSTM预测对比（十五）

    机器学习之MATLAB代码--LSTM和BiLSTM预测对比(十五) 代码 数据 结果 代码 1. clc; clear; close all; %% 导入数据 load DATA; % 导入60天的 ...

  5. 机器学习之MATLAB代码--IWOA_BILSTM(基于改进鲸鱼算法优化的BiLSTM预测算法)（十六）

    机器学习之MATLAB代码--IWOA_BILSTM基于改进鲸鱼算法优化的BiLSTM预测算法(十六) 代码 数据 结果 代码 1. %% 基于改进鲸鱼算法优化的BiLSTM预测算法 clear;cl ...

  6. 机器学习之MATLAB代码--SSA-CNN-BiLSTM做电池容量预测（十）

    机器学习之MATLAB代码--SSA-CNN-BiLSTM做电池容量预测(十) 代码 数据 结果 代码 代码按照如下顺序: 1. clc close all clear alldata=xlsread ...

  7. 吴恩达机器学习MATLAB代码笔记（1）梯度下降

    吴恩达机器学习MATLAB代码笔记(1)梯度下降 单变量线性回归 1.标记数据点(Plotting the Date) fprintf('Plotting Data') data = load('D: ...

  8. elm预测matlab,机器学习——极限学习(ELM)matlab代码分析

    Hello,大家好,我是小鹏同学.今天在一个网站(https://www.ntu.edu.sg/home/egbhuang/elm_random_hidden_nodes.html)上下载了基本的EL ...

  9. 机器学习入门：线性回归及梯度下降（附matlab代码）

     本文会讲到: (1)线性回归的定义 (2)单变量线性回归 (3)cost function:评价线性回归是否拟合训练集的方法 (4)梯度下降:解决线性回归的方法之一 (5)feature sca ...

最新文章

  1. Python 快速实现分列转到行！
  2. UVA 536 TreeRocvery 树重建 （递归）
  3. JAVA编程思想学习笔记——第一章 对象导论
  4. python 正则表达式 re.search
  5. Python之深入解析如何制作国际空间站实时跟踪器
  6. 串行线路上传输数据报的非标准协议：SLIP
  7. c语言 linux sd_Linux内核组成部分（二）
  8. 谁说前端工程师不能成为全栈？
  9. sv_labs学习笔记——sv_lab4(System Verilog)
  10. 27岁后月薪低于8K，会被淘汰吗？
  11. 从点击一个链接到浏览器显示页面，这个过程中发生了什么？
  12. 设计一个简易的有道词典
  13. matlab数据的获取、预处理、统计、可视化、降维 | 《matlab数学建模方法与实践（第三版）》学习笔记
  14. 月光博客：我的知识管理工具列表（强烈推荐收藏）
  15. Python 矩形法求sin(x)的定积分(完美实现)
  16. Pytorch测试模型的GFLOPs和Param大小
  17. 2021美赛C题解题记录(内含完整代码)
  18. 对话赫拉利与李飞飞：人工智能影响人类的四大问题
  19. 不看你就亏了。。。。
  20. 一文看懂：网址，URL，域名，IP地址，DNS，域名解析

热门文章

  1. 流媒体解码及H.264编码推流
  2. 对接BaiduApi接口流程
  3. seatunnel 高性能分布式数据集成平台
  4. 老板，我们的网站又挂了——漫谈 DDoS 攻击
  5. 爬取百度指数行业排行榜
  6. 如何在IDEA上创建一个Maven项目2022版
  7. 苹果网站导航网站推荐（www.mac110.com）
  8. 在SQL SERVER 2000中实行简繁体转换
  9. python四种抽样方法的使用：随机抽样、聚类抽样、系统抽样、分层抽样
  10. Android如何播放h.264格式视频