【SVM回归预测】基于matlab KPCA核主成分分析灰狼算法优化支持向量机回归预测【含Matlab源码 9886期】.zip

%% 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('数据.xlsx'); num_samples = size(res, 1); % 样本个数 res = res(randperm(num_samples), :); % 打乱数据集（不希望打乱时，注释该行） X =res(:,1:end-1); Y =res(:,end); %% 不需要降维可以注释下段代码 % KPCA降维维数 d=6;% 这块根据实际情况修改 %% 数据降维处理 Z=KPCA(X,d); %KPCA降维 input=Z(:,1:end); output=Y; combined_data = [input, output]; res=combined_data; %% 不需要降维可以注释上段代码 %% 划分训练集和测试集 data_num = 103; %数据点数量 train_ratio = 0.8; %训练集比例 %temp = randperm(data_num); temp = 1:data_num; P_train = res(temp(1: floor(data_num*train_ratio)), 1: end-1)'; T_train = res(temp(1: floor(data_num*train_ratio)), end)'; M = size(P_train, 2); P_test = res(temp(floor(data_num*train_ratio)+1: end), 1: end-1)'; T_test = res(temp(floor(data_num*train_ratio)+1: end), end)'; 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'; %% 创建模型 % c = 0.0329; % 惩罚因子10 优化得到的参数2.3984 % g = 0.9; % 径向基函数参数0.7 优化得到的参数0.7668 %% 模型训练与预测 SearchAgents_no=3; Max_iteration=10; dim=2; lb=[0.001,0.001];%参数下限 ub=[450,0.9];%参数上限 type = 'function estimation'; %% c和g寻优 [c,g]=GWO(SearchAgents_no,Max_iteration,lb,ub,dim,p_train,t_train,p_test,t_test); %%优化算法 cmd = [' -t 2',' -c ',num2str(c),' -g ',num2str(g),' -s 3 -p 0.01']; model = svmtrain(t_train, p_train, cmd); %% 仿真预测 [t_sim1, error_1] = svmpredict(t_train, p_train, model); [t_sim2, error_2] = svmpredict(t_test , p_test , model); %% 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, 'b-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 figure plot(1: N, T_test, 'r-*', 1: N, T_sim2, 'b-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 %% 相关指标计算 % 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)]) % 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)]) % 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)]) % RMSE disp(['训练集数据的RMSE为：', num2str(error1)]) disp(['测试集数据的RMSE为：', num2str(error2)]) %% 绘制散点图并显示相关系数 sz = 25; % 点的大小 c = 'b'; % 点的颜色 % 绘制训练集的散点图 figure scatter(T_train, T_sim1, sz, c, 'filled') hold on % 添加拟合线 coefficients = polyfit(T_train, T_sim1, 1); fittedX = linspace(min(T_train), max(T_train), 200); fittedY = polyval(coefficients, fittedX); plot(fittedX, fittedY, 'b-', 'LineWidth', 1) % 添加y=x线 plot([min(T_train), max(T_train)], [min(T_train), max(T_train)], '--k') % 设置图表标签和标题 xlabel('训练集真实值') ylabel('训练集预测值') xlim([min(T_train) max(T_train)]) ylim([min(T_sim1) max(T_sim1)]) title(['训练集 R=' num2str(R1,2)]) % 添加图例 legend('数据', '拟合', 'Y=T') hold off % 绘制测试集的散点图 figure scatter(T_test, T_sim2, sz, c, 'filled') hold on % 添加拟合线 coefficients = polyfit(T_test, T_sim2, 1); fittedX = linspace(min(T_test), max(T_test), 200); fittedY = polyval(coefficients, fittedX); plot(fittedX, fittedY, 'b-', 'LineWidth', 1) % 添加y=x线 plot([min(T_test), max(T_test)], [min(T_test), max(T_test)], '--k') % 设置图表标签和标题 xlabel('测试集真实值') ylabel('测试集预测值') xlim([min(T_test) max(T_test)]) ylim([min(T_sim2) max(T_sim2)]) title(['测试集 R=' num2str(R2,2)]) % 添加图例 legend('数据', '拟合', 'Y=T') hold off %% 绘制训练集预测绝对误差图 figure; train_errors = T_sim1' - T_train; % 计算训练集预测误差 plot(1:M, train_errors, 'r-*', 'LineWidth', 1); % M is the number of training points title(['训练集预测绝对误差图 R=' num2str(R1,2)]); xlabel('样本编号'); ylabel('预测误差'); xlim([1, M]); % 正确设置x轴的范围为训练数据点的数量 grid on; %% 绘制测试集预测绝对误差图 figure; test_errors = T_sim2' - T_test; % 计算测试集预测误差 plot(1:N, test_errors, 'b-o', 'LineWidth', 1); % N is the number of testing points title(['测试集预测绝对误差图 R=' num2str(R2,2)]); xlabel('样本编号'); ylabel('预测误差'); xlim([1, N]); % 正确设置x轴的范围为测试数据点的数量 grid on;