基于鹈鹕算法(POA)优化径向基神经网络(POA-RBF)的数据回归预测，多变量输入模型 matlab代码，优化参数为扩散速

clc; clear all; close all tic warning off %% 导入数据 % 训练集——190个样本 P_train = xlsread('data','training set','B2：G191')'; T_train= xlsread('data','training set','H2：H191')'; % 测试集——44个样本 P_test=xlsread('data','test set','B2:G45')'; T_test=xlsread('data','test set','H2:H45')'; 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); [t_train, ps_output] = mapminmax(T_train, 0, 1); t_test = mapminmax('apply', T_test, ps_output); %% 参数初始化 pop=10; %种群数量 Max_iter=20; % 设定最大迭代次数 dim = 1;% 维度为，即优化超参数 lb = [0.1];%下边界 RBF 参数s的变化的最大值. ub = [1000];%上边界 fobj = @(x)fobj(x); [Best_score,Best_pos,curve]=POA(pop,Max_iter,lb,ub,dim,fobj); %开始优化 % pso_option.popsmax = 1000; % popsmax:初始为1000, RBF 参数s的变化的最大值. % pso_option.popsmin = 0.1; % popsmin:初始为 0.1, RBF 参数s的变化的最小值 %% 创建网络 rbf_spread = Best_pos; % 径向基函数的扩展速度 net = newrbe(p_train, t_train, rbf_spread); %% 仿真测试 t_sim1 = sim(net, p_train); t_sim2 = sim(net, 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); %% 查看网络结构 view(net) %% 迭代 figure plot(1 : length(curve), curve,'linewidth',1.5); title('POA-RBF', 'FontSize', 10); xlabel('迭代次数', 'FontSize', 10); ylabel('适应度值', 'FontSize', 10); grid off %% 测试集结果 figure; plotregression(T_test,T_sim2,['回归图']); figure; ploterrhist(T_test-T_sim2,['误差直方图']); %% 均方根误差 RMSE error1 = sqrt(sum((T_sim1 - T_train).^2)./M); error2 = sqrt(sum((T_test - T_sim2).^2)./N); %% %决定系数 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; %% %均方误差 MSE mse1 = sum((T_sim1 - T_train).^2)./M; mse2 = sum((T_sim2 - T_test).^2)./N; %% %RPD 剩余预测残差 SE1=std(T_sim1-T_train); RPD1=std(T_train)/SE1; SE=std(T_sim2-T_test); RPD2=std(T_test)/SE; %% 平均绝对误差MAE MAE1 = mean(abs(T_train - T_sim1)); MAE2 = mean(abs(T_test - T_sim2)); %% 平均绝对百分比误差MAPE MAPE1 = mean(abs((T_train - T_sim1)./T_train)); MAPE2 = mean(abs((T_test - T_sim2)./T_test)); %% 训练集绘图 figure %plot(1:M,T_train,'r-*',1:M,T_sim1,'b-o','LineWidth',1) plot(1:M,T_train,'r-*',1:M,T_sim1,'b-o','LineWidth',1.5) legend('真实值','POA-RBF预测值') xlabel('预测样本') ylabel('预测结果') string={'训练集预测结果对比';['(R^2 =' num2str(R1) ' RMSE= ' num2str(error1) ' MSE= ' num2str(mse1) ' RPD= ' num2str(RPD1) ')' ]}; title(string) %% 预测集绘图 figure plot(1:N,T_test,'r-*',1:N,T_sim2,'b-o','LineWidth',1.5) legend('真实值','POA-RBF预测值') xlabel('预测样本') ylabel('预测结果') string={'测试集预测结果对比';['(R^2 =' num2str(R2) ' RMSE= ' num2str(error2) ' MSE= ' num2str(mse2) ' RPD= ' num2str(RPD2) ')']}; title(string) %% 测试集误差图 figure ERROR3=T_test-T_sim2; plot(T_test-T_sim2,'b-*','LineWidth',1.5) xlabel('测试集样本编号') ylabel('预测误差') title('测试集预测误差') grid on; legend('POA-RBF预测输出误差') %% 绘制线性拟合图 %% 打印出评价指标 disp(['-----------------------误差计算--------------------------']) disp(['评价结果如下所示：']) disp(['平均绝对误差MAE为：',num2str(MAE2)]) disp(['均方误差MSE为： ',num2str(mse2)]) disp(['均方根误差RMSEP为： ',num2str(error2)]) disp(['决定系数R^2为： ',num2str(R2)]) disp(['剩余预测残差RPD为： ',num2str(RPD2)]) disp(['平均绝对百分比误差MAPE为： ',num2str(MAPE2)]) grid