基于NGO-HKELM北方苍蝇算法优化混合核极限学习机多变量回归预测（matlab完整源码和数据）

%% 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','sheet1','A2:H104'); %% 数据分析 num_size = 0.7; % 训练集占数据集比例 outdim = 1; % 最后一列为输出 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） num_train_s = round(num_size * num_samples); % 训练集样本个数 f_ = size(res, 2) - outdim; % 输入特征维度 %% 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] = NGO(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('NGO-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')