%% 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('数据.xlsx');
%% 数据分析
num_size = 0.8; % 训练集占数据集比例
outdim = 3; % 最后3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);
%% 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);
%% 创建模型
num_hiddens = 50; % 隐藏层节点个数
activate_model = 'sig'; % 激活函数
[IW, B, LW, TF, TYPE] = elmtrain(p_train, t_train, num_hiddens, activate_model, 0);
%% 仿真测试
t_sim1 = elmpredict(p_train, IW, B, LW, TF, TYPE);
t_sim2 = elmpredict(p_test , IW, B, LW, TF, TYPE);
%% 数据反归一化
T_sim1 = mapminmax('reverse', t_sim1, ps_output);
T_sim2 = mapminmax('reverse', t_sim2, ps_output);
%% 绘图
for i = 1 : 3
figure(i)
%% 均方根误差
error1 = sqrt(sum((T_sim1(i, :) - T_train(i, :)).^2) ./ M);
error2 = sqrt(sum((T_sim2(i, :) - T_test (i, :)).^2) ./ N);
subplot(2, 1, 1)
plot(1: M, T_train(i, :), 'r-', 1: M, T_sim1(i, :), 'b-', 'LineWidth', 1)
legend('真实值', 'ELM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
subplot(2, 1, 2)
plot(1: N, T_test(i, :), 'r-', 1: N, T_sim2(i, :), 'b-', 'LineWidth', 1)
legend('真实值', 'ELM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
%% 相关指标计算
% R2
R1(i) = 1 - norm(T_train(i, :) - T_sim1(i, :))^2 / norm(T_train(i, :) - mean(T_train(i, :)))^2;
R2(i) = 1 - norm(T_test (i, :) - T_sim2(i, :))^2 / norm(T_test (i, :) - mean(T_test (i, :)))^2;
disp(['输出:', num2str(i), ' 训练集数据的R2为:', num2str(R1(i))])
disp(['输出:', num2str(i), ' 测试集数据的R2为:', num2str(R2(i))])
% MAE
mae1(i) = sum(abs(T_sim1(i, :) - T_train(i, :))) ./ M ;
mae2(i) = sum(abs(T_sim2(i, :) - T_test (i, :))) ./ N ;
disp(['输出:', num2str(i), ' 训练集数据的MAE为:', num2str(mae1(i))])
disp(['输出:', num2str(i), ' 测试集数据的MAE为:', num2str(mae2(i))])
% MBE
mbe1(i) = sum(T_sim1(i, :) - T_train(i, :)) ./ M ;
mbe2(i) = sum(T_sim2(i, :) - T_test (i, :)) ./ N ;
disp(['输出:', num2str(i), ' 训练集数据的MBE为:', num2str(mbe1(i))])
disp(['输出:', num2str(i), ' 测试集数据的MBE为:', num2str(mbe2(i))])
end
没有合适的资源?快使用搜索试试~ 我知道了~
极限学习机ELM多输入多输出预测,极限学习机ELM回归预测 评价指标包括:R2、MAE、MSE、RMSE等,代码质量极高,方
共4个文件
m:3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 74 浏览量
2023-12-25
19:37:40
上传
评论
收藏 233KB ZIP 举报
温馨提示
极限学习机ELM多输入多输出预测,极限学习机ELM回归预测。 评价指标包括:R2、MAE、MSE、RMSE等,代码质量极高,方便学习和替换数据。 极限学习机ELM多输入多输出预测,极限学习机ELM回归预测。 评价指标包括:R2、MAE、MSE、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
3 ELM 多输出-2.zip (4个子文件)
elmtrain.m 1KB
elmpredict.m 529B
main.m 3KB
数据.xlsx 239KB
共 4 条
- 1
资源评论
智能算法及其模型预测
- 粉丝: 1840
- 资源: 788
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
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