%% 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
result = xlsread('数据集.xlsx');
%% 数据分析
num_samples = length(result); % 样本个数
kim = 2; % 延时步长(前面多行历史数据作为自变量)
zim = 1; % 跨zim个时间点进行预测
nim = size(result, 2) - 1; % 原始数据的特征是数目
%% 划分数据集
for i = 1: num_samples - kim - zim + 1
res(i, :) = [reshape(result(i: i + kim - 1 + zim, 1: end - 1)', 1, ...
(kim + zim) * nim), result(i + kim + zim - 1, end)];
end
%% 数据集分析
outdim = 1; % 最后一列为输出
num_size = 0.85; % 训练集占数据集比例
num_train_s = round(num_size * num_samples); % 训练集样本个数
f_ = size(res, 2) - outdim; % 输入特征长度
%% 划分训练集和测试集
P_train = res(1: num_train_s, 1: f_)';
T_train = res(1: num_train_s, f_ + 1: end)';
M = size(P_train, 2);
P_test = res(num_train_s + 1: end, 1: f_)';
T_test = res(num_train_s + 1: end, f_ + 1: end)';
N = size(P_test, 2);
f_ = size(P_train, 1); % 输入特征维度
%% 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);
%% 参数设置
%% 获取最优正则化系数 C 和核函数参数 S
Kernel_type1 = 'rbf'; %核函数类型1
Kernel_type2 = 'poly'; %核函数类型2
%% 适应度函数
fobj=@(X)fobj(X,p_train,t_train,p_test,t_test,Kernel_type1,Kernel_type2);
%% 优化算法参数设置
pop=10;
Max_iter=20;
ub=[20 10^(3) 10^(3) 10 1]; %优化的参量分别为:正则化系数C,rbf核函数的核系数S(接下)
lb=[1 10^(-3) 10^(-3) 1 0]; %多项式核函数的两个核系数poly1和poly2,以及核权重系数w
dim=5;
%% 优化算法
[Best_score,Best_P,curve] = RIME(pop, Max_iter, lb, ub, dim, fobj);
%% 训练模型
%% 重新训练并进行预测
Regularization_coefficient= Best_P(2); %最优正则化系数
Kernel_para=Best_P(2:end); %包含3个核参数和1个核权重系数
[t_sim1,InputWeight]=kelmTrain(Regularization_coefficient,Kernel_para,Kernel_type1,Kernel_type2,p_train,t_train);
t_sim2=kelmPredict(p_train,InputWeight,Kernel_type1,Kernel_type2,Kernel_para,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('RIME-HKELM')
xlabel('迭代次数')
ylabel('适应度')
grid on;
set(gcf,'color','w')
%% 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)])
% MAPE
mape1 = sum(abs((T_sim1 - T_train)./T_train)) ./ M ;
mape2 = sum(abs((T_sim2 - T_test )./T_test )) ./ N ;
disp(['训练集数据的MAPE为:', num2str(mape1)])
disp(['测试集数据的MAPE为:', num2str(mape2)])
% RMSE
disp(['训练集数据的RMSE为:', num2str(error1)])
disp(['测试集数据的RMSE为:', num2str(error2)])
%% 绘图
figure
plot(1: M, T_train, 'r-', 1: M, T_sim1, 'b-', '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-', '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
%% 绘制散点图
sz = 25;
c = 'b';
figure
scatter(T_train, T_sim1, sz, c)
hold on
plot(xlim, ylim, '--k')
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('训练集预测值 vs. 训练集真实值')
figure
scatter(T_test, T_sim2, sz, c)
hold on
plot(xlim, ylim, '--k')
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('测试集预测值 vs. 测试集真实值')
没有合适的资源?快使用搜索试试~ 我知道了~
基于霜冰优化算法混合核极限学习机 RIME-HKELM 多变量时序预测 (多输入单输出)(Matlab完整源码和数据)
共9个文件
m:8个
xlsx:1个
1.该资源内容由用户上传,如若侵权请联系客服进行举报
2.虚拟产品一经售出概不退款(资源遇到问题,请及时私信上传者)
2.虚拟产品一经售出概不退款(资源遇到问题,请及时私信上传者)
版权申诉
0 下载量 28 浏览量
2024-01-06
22:47:46
上传
评论 1
收藏 66KB RAR 举报
温馨提示
基于霜冰优化算法[23年新算法]-混合核极限学习机RIME-HKELM多变量时序预测(多输入单输出),MATLAB代码(Matlab完整源码和数据) 程序已调试好,无需更改代码替换数据直接使用! ! !输入数据为Excel|格式! RIME算法目前比较新,知网发文量还很少,用的还比较少,可做创新点,抓紧发paper 中文注释清晰,5张图,图很丰富 评价指标包括:R2、MAE、 MBE、MAPE、 RMSE等,代码质量极高,方便学习和替换数据
资源推荐
资源详情
资源评论
收起资源包目录
RIME-HKELM多变量时序预测.rar (9个子文件)
RIME-HKELM多变量时序预测
calc_error.m 2KB
kelmPredict.m 236B
kelmTrain.m 352B
fobj.m 1KB
RIME.m 2KB
initialization.m 487B
main.m 4KB
数据集.xlsx 64KB
kernel_matrix.m 1KB
共 9 条
- 1
资源评论
前程算法屋
- 粉丝: 5785
- 资源: 835
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
最新资源
- 番茄助手:vs2013-2022
- JSP在服装零售中的应用:销售管理系统设计与实现
- 手机和刀具检测16-YOLO(v5至v11)、COCO、CreateML、Paligemma、TFRecord、VOC数据集合集.rar
- 网上花店:电子商务平台的设计与实现
- 自动控制原理-控制系统的数学模型实验
- 轨迹跟踪,考虑侧倾和曲率变化,同时修正侧偏刚度 simulink carsim联合仿真
- 高校勤工助学管理:系统设计与用户体验优化
- 手检测15-YOLO(v5至v11)、COCO、CreateML、Paligemma、TFRecord、VOC数据集合集.rar
- DEV-CPP-RED-PANDA
- 高通410随身WiFi ufi003 Debian固件
- abaqus齿轮动态分析,能够计算出mise应力等力学内容
- “互联网+”创新创业大赛创新奶茶店策划书.docx
- 《模拟电子技术》期末试卷.doc
- 电气控制及PLC试题库和答案复习提纲.doc
- 华南师范大学计算机网络试卷.doc
- 模拟电子技术基础期末试题.doc
资源上传下载、课程学习等过程中有任何疑问或建议,欢迎提出宝贵意见哦~我们会及时处理!
点击此处反馈
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功