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
目录
- 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
- 预测效果
- 基本介绍
- 模型描述
- 程序设计
- 参考资料
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 algorithm，SSA）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
