回归预测 | Matlab实现RIME-HKELM霜冰算法优化混合核极限学习机多变量回归预测
效果一览
基本介绍
1.Matlab实现RIME-HKELM霜冰算法优化混合核极限学习机多变量回归预测（完整源码和数据）
2.运行环境为Matlab2021b；
3.excel数据集，输入多个特征，输出单个变量，多变量回归预测预测，main.m为主程序，运行即可,所有文件放在一个文件夹；
4.命令窗口输出R2、MAE、 MBE、MAPE、 RMSE多指标评价；
代码特点：参数化编程、参数可方便更改、代码编程思路清晰、注释明细。文章来源：https://www.toymoban.com/news/detail-819711.html
程序设计
- 完整源码和数据获取方式(资源出下载)：Matlab实现RIME-HKELM霜冰算法优化混合核极限学习机多变量回归预测。
%% 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('data.xlsx','sheet1','A2:H104');
%% 数据分析
num_size = 0.7; % 训练集占数据集比例
outdim = 1; % 最后一列为输出
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);
f_ = size(P_train, 1); % 输入特征维度
%% 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);
%% 参数设置
%% 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
pop=10;
Max_iter=20;
ub=[20 10^(3) 10^(3) 10 1]; %优化的参量分别为：正则化系数C，rbf核函数的核系数S(接下)
lb=[1 10^(-3) 10^(-3) 1 0]; %多项式核函数的两个核系数poly1和poly2，以及核权重系数w
dim=5;
%% 优化算法
[Best_score,Best_P,curve] = RIME(pop, Max_iter, lb, ub, dim, fobj);
%% 训练模型
%% 重新训练并进行预测
参考资料
[1] https://blog.csdn.net/kjm13182345320/article/details/129215161
[2] https://blog.csdn.net/kjm13182345320/article/details/128105718文章来源地址https://www.toymoban.com/news/detail-819711.html
到了这里，关于回归预测 | Matlab实现RIME-HKELM霜冰算法优化混合核极限学习机多变量回归预测的文章就介绍完了。如果您还想了解更多内容，请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章，希望大家以后多多支持TOY模板网！
