爬山算法优化遗传算法优化极限学习机的多分类预测，p-ga-elm多分类预测（代码完整，数据）

%% 清空环境变量 GA+elm clc clear close all format compact %% 读取数据 traindata=xlsread('最终数据(1).xlsx','训练样本1','B3:E37');%3分类 testdata=xlsread('最终数据(1).xlsx','测试样本','B3:E11'); input_train=traindata(:,1:end-1)'; input_test=testdata(:,1:end-1)'; label_train=traindata(:,end)'; label_test=testdata(:,end)'; output_train=zeros(3,length(label_train)); output_test=zeros(3,length(label_test)); for i=1:length(label_train) output_train(label_train(i),i)=1; end for i=1:length(label_test) output_test(label_test(i),i)=1; end %归一化 [inputn_train,inputps]=mapminmax(input_train); [inputn_test,inputtestps]=mapminmax('apply',input_test,inputps); %% 没有优化的ELM [IW,B,LW,TF,TYPE] = elmtrain(inputn_train,label_train,5,'sig',1); title('没有优化的ELM训练集') %% ELM仿真测试 Tn_sim = elmpredict(inputn_test,IW,B,LW,TF,TYPE); test_accuracy=(sum(label_test==Tn_sim))/length(label_test) figure stem(label_test,'*') hold on plot(Tn_sim,'p') title('没有优化的ELM测试集') legend('期望输出','实际输出') xlabel('样本数') ylabel('类别标签') %% 节点个数 inputnum=size(input_train,1); hiddennum=5; SG=5; [bestchrom,trace]=gaforelm(SG,inputnum,hiddennum,inputn_train,label_train,inputn_test,label_test);%遗传算法 x=bestchrom; % %% 优化后结果分析 % figure % 测试样本太少，加上使用爬山法之后，经常只需要一两次就能跳出循环 因此 适应度曲线经常都是一条直线，所以这个已经没什么意义来了 % [r c]=size(trace); % plot(trace,'b--'); % title('适应度曲线图') % xlabel('进化代数');ylabel('诊断正确率'); %% 把最优初始阀值权值赋予ELM重新训练与预测 if TYPE == 1 T1 = ind2vec(label_train); end w1=x(1:inputnum*hiddennum); B1=x(inputnum*hiddennum+1:inputnum*hiddennum+hiddennum)'; %% train W=reshape(w1,hiddennum,inputnum); Q=size(inputn_train,2); BiasMatrix = repmat(B1,1,Q); tempH = W * inputn_train + BiasMatrix; H = 1 ./ (1 + exp(-tempH)); LW = pinv(H') * T1'; TY=(H'*LW)'; temp_Y=zeros(1,size(TY,2)); for n=1:size(TY,2) [max_Y,index]=max(TY(:,n)); temp_Y(n)=index; end Y_train=temp_Y; train_accuracy=sum(Y_train==label_train)/length(label_train); figure plot(Y_train,'r*');hold on plot(label_train,'bo'); title('GA+爬山优化后训练集') %% test T2=ind2vec(label_test); Q=size(inputn_test,2); BiasMatrix1 = repmat(B1,1,Q); tempH1 = W * inputn_test + BiasMatrix1; H1 = 1 ./ (1 + exp(-tempH1)); TY1=(H1'*LW)'; save IGA_ELM TY1 if TYPE == 1 temp_Y1=zeros(1,size(TY1,2)); for n=1:size(TY1,2) [max_Y,index]=max(TY1(:,n)); temp_Y1(n)=index; end Y_train=temp_Y1; end youhua_test_accuracy=sum(Y_train==label_test)/length(label_test) figure stem(label_test,'*') hold on plot(Y_train,'p') title('GA+爬山优化后的ELM测试集') legend('期望输出','实际输出') load Y_elm load IGA_elm load label_test% 真实对应的标签 %% 画误差折线 % 未优化的误差 error1=[]; for i=1:9 error1=[error1 sum((Y(:,i)-output_test(:,i)).^2)]; end % 优化后的误差 error2=[]; for i=1:9 error2=[error2 sum((TY1(:,i)-output_test(:,i)).^2)]; end figure plot(error1) hold on plot(error2) legend('未优化','优化后') xlabel('样本号')