回归预测 | MATLAB实现SSA-LSSVM麻雀算法优化最小二乘支持向量机多输入单输出
阿里云国内75折 回扣 微信号:monov8 |
阿里云国际,腾讯云国际,低至75折。AWS 93折 免费开户实名账号 代冲值 优惠多多 微信号:monov8 飞机:@monov6 |
预测效果
基本介绍
MATLAB实现SSA-LSSVM麻雀算法优化最小二乘支持向量机多输入单输出。
Matlab实现SSA-LSSVM麻雀算法优化最小二乘支持向量机多变量回归预测
1.data为数据集输入6个特征输出一个变量。
2.MainSSA_LSSVMNN.m为程序主文件其余为函数文件无需运行。
3.命令窗口输出MAE、MBE和R2可在下载区获取数据和程序内容。
4.麻雀算法优化最小二乘支持向量机,优化RBF 核函数gam和sig。
注意程序和数据放在一个文件夹运行环境为Matlab2018及以上.
模型描述
麻雀搜索算法sparrow search algorithmSSA是目前比较新型的优化算法它能够解决一些特定的优化算法问题。该算法的提出是基于麻雀捕食和反捕食的行为。
整体的种群数量会随着适应度值的变化而进行调整会越来越适应环境变化。而在这个群体中的部分个体有比较高的适应度值会在搜寻的过程中优先获取猎物。
程序设计
- 完整程序和数据下载方式1(资源处直接下载)MATLAB实现SSA-LSSVM麻雀算法优化最小二乘支持向量机多输入单输出
- 完整程序和数据下载方式2(订阅《智能学习》专栏同时获取《智能学习》专栏收录程序6份数据订阅后私信我获取)MATLAB实现SSA-LSSVM麻雀算法优化最小二乘支持向量机多输入单输出
%% 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
%% 划分训练集和测试集
M = size(P_train, 2);
N = size(P_test, 2);
%% 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);
%% 转置以适应模型
p_train = p_train'; p_test = p_test';
t_train = t_train'; t_test = t_test';
%% 参数设置
pop = 5; % 种群数目
Max_iter = 50; % 迭代次数
dim = 2; % 优化参数个数
lb = [10, 10]; % 下限
ub = [1000, 1000]; % 上限
%% 优化函数
fobj = @(x)fitnessfunclssvm(x, p_train, t_train);
%% 优化
[Best_pos, Best_score, curve] = SSA(pop, Max_iter, lb, ub, dim, fobj);
%% LSSVM参数设置
type = 'f'; % 模型类型 回归
kernel = 'RBF_kernel'; % RBF 核函数
proprecess = 'preprocess'; % 是否归一化
%% 建立模型
gam = Best_score(1);
sig = Best_score(2);
model = initlssvm(p_train, t_train, type, gam, sig, kernel, proprecess);
%% 训练模型
model = trainlssvm(model);
%% 模型预测
t_sim1 = simlssvm(model, p_train);
t_sim2 = simlssvm(model, p_test);
%% 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);
%% 优化曲线
figure
plot(curve, 'linewidth', 1.5);
title('SSA-LSSVM ')
xlabel('The number of iterations')
ylabel('Fitness')
grid on;
参考资料
[1] https://blog.csdn.net/article/details/126072792?spm=1001.2014.3001.5502
[2] https://blog.csdn.net/article/details/126044265?spm=1001.2014.3001.5502
[3] https://blog.csdn.net/article/details/126043107?spm=1001.2014.3001.5502