回归预测 | MATLAB实现GWO-ELM灰狼算法优化极限学习机多输入单输出回归预测（多指标，多图）

效果一览

基本介绍

回归预测 | MATLAB实现GWO-ELM灰狼算法优化极限学习机多输入单输出回归预测多指标多图输入多个特征输出单个变量多输入单输出回归预测
多指标评价代码质量极高excel数据方便替换运行环境2018及以上。
灰狼算法Grey Wolf OptimizationGWO是一种基于群体智能的优化算法灵感来源于灰狼的社会行为和狩猎策略。极限学习机Extreme Learning MachineELM则是一种机器学习算法用于解决单隐藏层前馈神经网络的训练问题。将灰狼算法与极限学习机相结合可以用于优化极限学习机的超参数选择以提高其性能。根据问题的要求初始化一定数量的灰狼个体作为初始种群。
设置极限学习机的随机权重和偏置。
根据当前的极限学习机权重和偏置利用训练数据计算模型在训练集上的适应度。
根据当前适应度值更新每个灰狼的位置。较优的灰狼个体将会更有可能成为新的领导者。
利用更新后的灰狼位置对极限学习机的超参数进行调整。
重复直到达到设定的停止条件如达到最大迭代次数或收敛到一个满意的解。
返回具有最佳适应度值的灰狼个体对应的极限学习机模型作为最优解。

程序设计

• 完整源码和数据获取方式私信回复GWO-ELM灰狼算法优化极限学习机多输入单输出回归预测多指标多图。

%%  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');

%%  划分训练集和测试集
temp = randperm(103);

P_train = res(temp(1: 80), 1: 7)';
T_train = res(temp(1: 80), 8)';
M = size(P_train, 2);

P_test = res(temp(81: end), 1: 7)';
T_test = res(temp(81: end), 8)';
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);



%%  仿真测试
t_sim1 = sim(net, p_train);
t_sim2 = sim(net, 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);



%%  相关指标计算
% 决定系数 R2
R1 = 1 - norm(T_train - T_sim1)^2 / norm(T_train - mean(T_train))^2;
R2 = 1 - norm(T_test -  T_sim2)^2 / norm(T_test -  mean(T_test ))^2;

disp(['训练集数据的R2为', num2str(R1)])
disp(['测试集数据的R2为', num2str(R2)])

% 平均绝对误差 MAE
mae1 = sum(abs(T_sim1 - T_train)) ./ M ;
mae2 = sum(abs(T_sim2 - T_test )) ./ N ;

disp(['训练集数据的MAE为', num2str(mae1)])
disp(['测试集数据的MAE为', num2str(mae2)])

% 平均相对误差 MBE
mbe1 = sum(T_sim1 - T_train) ./ M ;
mbe2 = sum(T_sim2 - T_test ) ./ N ;

disp(['训练集数据的MBE为', num2str(mbe1)])
disp(['测试集数据的MBE为', num2str(mbe2)])

参考资料

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