【ELM回归预测】遗传算法优化极限学习机GA-ELM回归预测【含Matlab源码 1673期】.zip

%_________________________________________________________________________% % 基于遗传优化ELM回归预测 % %_________________________________________________________________________% clear all clc %% 导入数据 load data % 随机生成训练集、测试集 k = randperm(size(input,1)); % 训练集——1900个样本 P_train=input(k(1:1900),:)'; T_train=output(k(1:1900)); % 测试集——100个样本 P_test=input(k(1901:2000),:)'; T_test=output(k(1901:2000)); %% 归一化 % 训练集 [Pn_train,inputps] = mapminmax(P_train,-1,1); Pn_test = mapminmax('apply',P_test,inputps); % 测试集 [Tn_train,outputps] = mapminmax(T_train,-1,1); Tn_test = mapminmax('apply',T_test,outputps); %训练数据相关尺寸 R = size(Pn_train,1); S = size(Tn_train,1); N = 20;%隐含层个数 %% 定义遗传优化参数 pop=20; %种群数量 Max_iteration=50; % 设定最大迭代次数 dim = N*R + N;%维度，即权值与阈值的个数 lb = [-1.*ones(N*R,1);zeros(N,1)];%下边界 ub = [ones(N*R,1);ones(N,1)];%上边界 fobj = @(x) fun(x,Pn_train,Tn_train,N); [Best_score,Best_pos,GA_curve]=GA(pop,Max_iteration,lb,ub,dim,fobj); %开始优化 [fitness,IW,B,LW,TF,TYPE] = fun(Best_pos,Pn_train,Tn_train,N);%获取优化后的相关参数 figure plot(GA_curve,'linewidth',1.5); grid on xlabel('迭代次数') ylabel('适应度函数') title('GA-ELM收敛曲线') %% ELM仿真测试 Tn_sim = elmpredict(Pn_test,IW,B,LW,TF,TYPE); % 反归一化 T_sim = mapminmax('reverse',Tn_sim,outputps); % 均方误差 E = mse(T_sim - T_test); %% 基础ELM测试 %% ELM创建/训练 [IW1,B1,LW1,TF1,TYPE1] = elmtrain(Pn_train,Tn_train,20,'sig',0); %% ELM仿真测试 Tn_sim1 = elmpredict(Pn_test,IW1,B1,LW1,TF1,TYPE1); % 反归一化 T_sim1 = mapminmax('reverse',Tn_sim1,outputps); % 均方误差 E1 = mse(T_sim1 - T_test); %% 数据对比绘图 figure plot(T_test,'r*') hold on plot(T_sim,'b:o') plot(T_sim1,'g:o') xlabel('测试集样本编号') ylabel('测试集输出') title('ELM测试集输出') grid on; legend('期望输出','GA-ELM预测输出','ELM预测输出') figure plot(T_test-T_sim,'r-*') hold on plot(T_test-T_sim1,'b-*') xlabel('测试集样本编号') ylabel('绝对误差') title('ELM测试集预测误差') grid on; legend('GA-ELM预测输出误差','ELM预测输出误差') disp(['基础ELM MSE误差：',num2str(E1)]) disp(['GA-ELM MSE误差：',num2str(E)])