【创新发文】基于引力搜索优化算法GSA-DELM的多输入单输出预测Matlab实现.rar

%% 基于智能优化算法优化的深度极限学习机DLM的预测算法 clear;clc;close all; %% 导入数据 load data %训练集——400个样本 P_train=input(:,(1:550)); T_train=output((1:550)); % 测试集——200个样本 P_test=input(:,(250:350)); T_test=output((250:350)); %% 归一化 % 训练集 [Pn_train,inputps] = mapminmax(P_train,0,1); Pn_test = mapminmax('apply',P_test,inputps); % 测试集 [Tn_train,outputps] = mapminmax(T_train,0,1); Tn_test = mapminmax('apply',T_test,outputps); %所有的数据输入类型应该为 N*dim，其中N为数据组数，dim为数据的维度 Pn_train = Pn_train'; Pn_test = Pn_test'; Tn_train = Tn_train'; Tn_test = Tn_test'; %% DELM参数设置 ELMAEhiddenLayer = [2,3];%ELM—AE的隐藏层数，[n1,n2,...,n],n1代表第1个隐藏层的节点数。 ActivF = 'sig';%ELM-AE的激活函数设置 C = inf; %正则化系数 %% 优化算法参数设置： %计算权值的维度 dim = ELMAEhiddenLayer(1)*size(Pn_train,2); if length(ELMAEhiddenLayer)>1 for i = 2:length(ELMAEhiddenLayer) dim = dim + ELMAEhiddenLayer(i)*ELMAEhiddenLayer(i-1); end end popsize = 20;%种群数量 Max_iteration = 50;%最大迭代次数 lb = -1;%权值下边界 ub = 1;%权值上边界 fobj = @(X)fun(X,Pn_train,Tn_train,Pn_test,Tn_test,ELMAEhiddenLayer,ActivF,C); [Best_score,Best_pos,WOA_cg_curve]=GSA(popsize,Max_iteration,lb,ub,dim,fobj); figure plot(WOA_cg_curve,'k','linewidth',2) xlabel('迭代次数') ylabel('适应度值') grid on title('智能优化算法收敛曲线') %% 利用鲸鱼获得的初始权重，进行训练 BestWeitht = Best_pos; %DELM训练 OutWeight = DELMTrainWithInitial(BestWeitht,Pn_train,Tn_train,ELMAEhiddenLayer,ActivF,C); %训练集测试结果 predictValueTrainWOA = DELMPredict(Pn_train,OutWeight,ELMAEhiddenLayer); % 反归一化 predictValueTrainWOA = mapminmax('reverse',predictValueTrainWOA,outputps); % 均方误差 Error1WOA = (predictValueTrainWOA' - T_train); MSE1WOA = mse(Error1WOA); %测试集测试结果 predictValueTestWOA = DELMPredict(Pn_test,OutWeight,ELMAEhiddenLayer); % 反归一化 predictValueTestWOA = mapminmax('reverse',predictValueTestWOA,outputps); % 均方误差 Error2WOA = (predictValueTestWOA' - T_test); MSE2WOA = mse(Error2WOA); %% 基础DELM训练 %DELM训练 OutWeight = DELMTrain(Pn_train,Tn_train,ELMAEhiddenLayer,ActivF,C); %% 训练集测试结果 predictValueTrain = DELMPredict(Pn_train,OutWeight,ELMAEhiddenLayer); % 反归一化 predictValueTrain = mapminmax('reverse',predictValueTrain,outputps); % 均方误差 Error1 = (predictValueTrain' - T_train); MSE1 = mse(Error1); %% 测试集测试结果 predictValueTest = DELMPredict(Pn_test,OutWeight,ELMAEhiddenLayer); % 反归一化 predictValueTest = mapminmax('reverse',predictValueTest,outputps); % 均方误差 Error2 = (predictValueTest' - T_test); MSE2 = mse(Error2); %% 训练集结果画图 figure plot(T_train,'ms-','linewidth',2); hold on plot(predictValueTrainWOA,'co-','linewidth',2); plot(predictValueTrain,'r*-','linewidth',2); grid on; title('训练集结果') legend('真实值','智能优化算法-DELM预测值','DELM预测值'); figure hold on plot(Error1,'g-','linewidth',2); plot(Error1WOA,'r-','linewidth',2); legend('DELM误差','智能优化算法-DELM误差') grid on; title('训练集误差') %% 测试集结果画图 figure plot(T_test,'gs-','linewidth',2); hold on plot(predictValueTestWOA,'ko-','linewidth',2); plot(predictValueTest,'r*-','linewidth',2); grid on; title('测试集结果') legend('真实值','智能优化算法-DELM预测值','DELM预测值'); figure plot(Error2WOA,'g-','linewidth',2); hold on plot(Error2,'r-','linewidth',2); legend('智能优化算法-DELM误差','DELM误差') title('测试集误差') grid on; disp(['DELM训练集MSE：',num2str(MSE1)]); disp(['DELM测试集MSE：',num2str(MSE2)]); disp(['智能优化算法_DELM训练集MSE：',num2str(MSE1WOA)]); disp(['智能优化算法_DELM测试集MSE：',num2str(MSE2WOA)]);