用MATLAB实现偏最小二乘支持向量机（LS-SVM）的总结

求gam和gim，这两个是关键参数

clc
clear all%% 导入数据S_Data=xlsread('C:\Users\yxz\Desktop\TrainDatatotal\aloneChangZhou\subtract_big_errors\liuyif\liuyifa_change_train_data\start_datas2.csv');n = 512;   % n 是自变量的个数
m = 1;     % m 是因变量的个数
%% 读取训练数据
train_num = 60;  %训练样本数
train_Data = S_Data(1:train_num,:);% 特征值归一化
[train_Input,minI,maxI] = premnmx(train_Data(:,1:n)');%train_Data(:,1:n)'//premnmx% 构造输出矩阵
[train_Output,minO,maxO] = premnmx(train_Data(:,n+1:end)');%premnmx%% 读取测试数据
test_Data = S_Data(train_num+1:end,:);
% 特征值归一化
test_Input = tramnmx(test_Data(:,1:n)',minI,maxI);
% 构造测试输出矩阵
test_Output = tramnmx(test_Data(:,n+1:end)',minO,maxO);% 选取合适的参数gam
RMSE = [];
Gam = 1:10:200;
sig = 600; for q = 1:20     gam = Gam(1,q); %以10为步长，训练20次tic;   %计时开始% 用trainlssvm()函数对训练数据进行训练[alpha, b] = trainlssvm({train_Input',train_Output','f',gam,sig});%[alpha,b] = trainlssvm(train_Input',train_Output',gam,sig);%alpha是LS-SVM的support values%b是偏置项的1 x m向量% sig是核宽度，gam是正则化参数%gam是正则化参数:对于gam低，强调模型复杂度的最小化;对于gam高，强调训练数据点的良好拟合。%kernel_par是内核的参数;在RBF核的一般情况下，较大的sig2表示较强的平滑。%训练LS-SVM的支持值和偏置项，用于分类或函数逼近% SVMtest_Output = simlssvm(test_Input',train_Input',alpha,b,sig);[SVMtest_Output, Zt] = simlssvm({train_Input',train_Output','f',gam,sig}, test_Input');%simlssvm在给定的点对LS-SVM进行评估toc;   %计时结束test_Output = postmnmx(test_Output,minO,maxO);SVMtest_Output = postmnmx(SVMtest_Output,minO,maxO);% 测试数据误差test_err = test_Output' - SVMtest_Output;n1 = length(SVMtest_Output);test_RMSE = sqrt(sum((test_err).^2)/n1);RMSE(1,q) = test_RMSE;
endx = Gam;  y = RMSE;
plot(x,y,'-o')
xlabel('参数gam')
ylabel('S含量预测误差（RMSE）')

下列代码实现回归预测

clc
clear all%% 导入数据
S_Data=xlsread('C:\Users\yxz\Desktop\TrainDatatotal\aloneChangZhou\subtract_big_errors\liuyif\liuyifa_change_train_data\start_datas2.csv');n = 512;   % n 是自变量的个数
m = 1;     % m 是因变量的个数
%% 读取训练数据
train_num = 60;  %训练样本数
train_Data = S_Data(1:train_num,:);
% 特征值归一化
[train_Input,minI,maxI] = premnmx(train_Data(:,1:n)');
% 构造输出矩阵
[train_Output,minO,maxO] = premnmx(train_Data(:,n+1:end)');
gam = 20;%191
sig = 700;%600
type = 'function estimation';
tic; %计时开始
% 用trainlssvm()函数对训练数据进行训练
[alpha,b] = trainlssvm({train_Input',train_Output',type,gam,sig,'RBF_kernel'});
SVMtrain_Output = simlssvm({train_Input',train_Output',type,gam,sig,'RBF_kernel','preprocess'},{alpha,b},train_Input');
toc; %计时结束
train_Output = postmnmx(train_Output',minO,maxO);
SVMtrain_Output = postmnmx(SVMtrain_Output',minO,maxO);
% 训练数据误差
train_err = train_Output - SVMtrain_Output';
n1 = length(SVMtrain_Output);
train_RMSE = sqrt(sum((train_err).^2)/n1);%% 读取测试数据
test_Data = S_Data(train_num+1:end,:);
% 特征值归一化
test_Input = tramnmx(test_Data(:,1:n)',minI,maxI)';
% 构造测试输出矩阵
test_Output = tramnmx(test_Data(:,n+1:end)',minO,maxO)';SVMtest_Output = simlssvm({train_Input',train_Output,type,gam,sig,'RBF_kernel','preprocess'},{alpha,b},test_Input);
test_Output = postmnmx(test_Output,minO,maxO);
SVMtest_Output = postmnmx(SVMtest_Output',minO,maxO);% 测试数据误差
test_err = test_Output - SVMtest_Output';
n2 = length(SVMtest_Output');
test_RMSE = sqrt(sum((test_err).^2)/n2);%% 预测结果可视化
figure(6);  % 绘制图1
subplot(2,1,1);  % 图1包含2行1列个子图形，首先绘制子图1
plot(SVMtest_Output,':og');  % 用绿色的o绘制测试数据的预测输出值
hold on;
plot(test_Output','-*b');  % 用蓝色的*绘制测试数据的期望输出值
legend('预测输出','期望输出');  % 子图1的注释
title('最小二乘支持向量机预测S含量结果','fontsize',12)  %子图1的标题
% title('BP神经网络Si含量预测输出','fontsize',12)  %子图1的标题
ylabel('S含量','fontsize',12);  % y轴
xlabel('样本','fontsize',12);  % x轴
subplot(2,1,2);  % 绘制子图2
plot(abs(test_Output - SVMtest_Output'),'-*');  % 输出测试数据的预测误差
title('最小二乘支持向量机预测浓度','fontsize',12)  %子图2的标题
% title('BP神经网络Si含量预测误差','fontsize',12)  %子图2的标题
ylabel('误差','fontsize',12);  % y轴
xlabel('样本','fontsize',12);  % x轴
ylim([0,0.01]);

预测结果

本文参考偏最小二乘支持向量机，首先感谢博主的分享。但本人在使用它的过程中出现“***错误使用 trainlssvm 输入参数太多”***，的问题。
解决方法：
这里就需要各位仔细阅读trainlssvm的帮助文件，大家可以看看我们代码之间的区别

用MATLAB实现偏最小二乘支持向量机（LS-SVM）的总结相关推荐

MATLAB实现偏最小二乘回归PLS
这一定是一篇真正的傻瓜攻略,原理为根,算法为骨,应用为肉,傻瓜为皮. 本文主要介绍偏最小二乘回归的基本实现,主要内容基于司守奎<数学建模算法与应用>第11章,在其基础上进行优化. 偏最小二 ...
matlab做偏最小二乘回归（PLS带精度验证）
版权声明:本文为博主原创文章,遵循 CC 4.0 BY-SA 版权协议,转载请附上原文出处链接和本声明. 本文链接:https://blog.csdn.net/lusongno1/article/de ...
傻瓜攻略（十二）——MATLAB实现偏最小二乘回归PLS
这一定是一篇真正的傻瓜攻略,原理为根,算法为骨,应用为肉,傻瓜为皮. 本文主要介绍偏最小二乘回归的基本实现,主要内容基于司守奎<数学建模算法与应用>第11章,在其基础上进行优化. 偏最小二 ...
matlab近红外光谱曲线,Matlab关于偏最小二乘法应用于近红外光谱分析的问题
代码在最下面了,不能运行,是代码有错误嘛? 在录入数据以后,有提示: ??? Error using ==> regress Y must be a vector. 错误位置是在第三步那里.. ...
通过MATLAB实现偏最小二乘回归预测
偏最小二乘回归是一种新的多元统计数学分析方法,将多元线性回归.典型相关分析和主成分分析进行有机结合. 建模原理: 假定p有自变量x1,x2,-,xp(这个就是特征值)和q个因变量y1,y2,-,y3( ...
支持向量机matlab代码程序_支持向量机（SVM）小结
什么是SVM? SVM(全称:Support Vector Machine)支持向量机,这只是它的名称,向量就是和我们以前学过的向量一样(下文有介绍),它可以有效解决分类问题(我们只讨论分类问题),何 ...
MATLAB进行偏最小二乘回归（PLSR）
filename = 'D:\桌面\准东\建模数据.xlsx'; [num,txt,raw] = xlsread(filename,'sheet3','A1:E55'); mu=mean(num); ...
【LSSVM回归预测】基于matlab人工蜂群算法优化最小二乘支持向量机LSSVM数据回归预测【含Matlab源码 2213期】
⛄一.人工蜂群算法优化最小二乘支持向量机LSSVM简介 1 最小二乘支持向量机最小二乘支持向量机是支持向量机的一种改进算法[9,10],它将SVM算法中的不等式约束转化为等式约束,采用最小二乘线性系 ...
粒子群优化最小二乘支持向量机SVM回归分析，pso-lssvm回归预测
目录支持向量机SVM的详细原理 SVM的定义 SVM理论 SVM应用实例,粒子群优化最小二乘支持向量机SVM回归分析代码结果分析展望支持向量机SVM的详细原理 SVM的定义支持向量机(su ...

用MATLAB实现偏最小二乘支持向量机（LS-SVM）的总结

用MATLAB实现偏最小二乘支持向量机（LS-SVM）的总结相关推荐

最新文章

热门文章