鹈鹕算法(POA)优化混合核极限学习机(HKELM)分类预测，多特征输入模型，POA-HKELM分类预测 多特征输入单输出的

%% 清空环境变量 clc; clear; warning off close all %% 读取数据 res = xlsread('数据集.xlsx'); %% 分析数据 num_class = length(unique(res(:, end))); % 类别数（Excel最后一列放类别） num_res = size(res, 1); % 样本数（每一行，是一个样本） num_size = 0.7; % 训练集占数据集的比例 res = res(randperm(num_res), :); % 打乱数据集（不打乱数据时，注释该行） flag_conusion = 1; % 标志位为1，打开混淆矩阵（要求2018版本及以上） %% 设置变量存储数据 P_train = []; P_test = []; T_train = []; T_test = []; %% 划分数据集 for i = 1 : num_class mid_res = res((res(:, end) == i), :); % 循环取出不同类别的样本 mid_size = size(mid_res, 1); % 得到不同类别样本个数 mid_tiran = round(num_size * mid_size); % 得到该类别的训练样本个数 P_train = [P_train; mid_res(1: mid_tiran, 1: end - 1)]; % 训练集输入 T_train = [T_train; mid_res(1: mid_tiran, end)]; % 训练集输出 P_test = [P_test; mid_res(mid_tiran + 1: end, 1: end - 1)]; % 测试集输入 T_test = [T_test; mid_res(mid_tiran + 1: end, end)]; % 测试集输出 end %% 数据转置 P_train = P_train'; P_test = P_test'; T_train = T_train'; T_test = T_test'; %% 得到训练集和测试样本个数 M = size(P_train, 2); N = size(P_test , 2); %% 对训练集更改标签 T_train1=T_train; T_train=ind2vec(T_train); %% 对测试集更改标签 T_test1=T_test; T_test=ind2vec(T_test); N = size(P_test, 2); % 测试集样本数 M = size(P_train, 2); % 训练集样本数 %% 数据归一化 [p_train, ps_input] = mapminmax(P_train, 0, 1); p_test = mapminmax('apply', P_test, ps_input); %% 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 disp(['搜索：']) disp(['https://mbd.pub/o/DDR1']) %% 混淆矩阵 %%if flag_conusion == 1 %% figure %% cm = confusionchart(T_train, T_sim1); %% cm.Title = 'Confusion Matrix for Train Data'; %% cm.ColumnSummary = 'column-normalized'; %% cm.RowSummary = 'row-normalized'; %% figure %% cm = confusionchart(T_test, T_sim2); %% cm.Title = 'Confusion Matrix for Test Data'; %% cm.ColumnSummary = 'column-normalized'; %% cm.RowSummary = 'row-normalized'; %%end