基于鸽群算法优化的lssvm回归预测 | 您所在的位置:网站首页 › 台湾赛鸽代码 › 基于鸽群算法优化的lssvm回归预测 |
基于鸽群算法优化的lssvm回归预测 - 附代码
文章目录
基于鸽群算法优化的lssvm回归预测 - 附代码1.数据集2.lssvm模型3.基于鸽群算法优化的LSSVM4.测试结果5.Matlab代码
摘要:为了提高最小二乘支持向量机(lssvm)的回归预测准确率,对lssvm中的惩罚参数和核惩罚参数利用鸽群算法进行优化。
1.数据集
数据信息如下: data.mat 的中包含input数据和output数据 其中input数据维度为:2000*2 其中output数据维度为2000*1 所以RF模型的数据输入维度为2;输出维度为1。 2.lssvm模型lssvm请自行参考相关机器学习书籍。 3.基于鸽群算法优化的LSSVM鸽群算法的具体原理参考博客:https://blog.csdn.net/u011835903/article/details/109774886 鸽群算法的优化参数为惩罚参数和核惩罚参数。适应度函数为RF对训练集和测试集的均方误差(MSE),均方误差MSE越低越好。 f i n t e n e s s = M S E [ p r e d i c t ( t r a i n ) ] + M S E [ p r e d i c t ( t e s t ) ] finteness = MSE[predict(train)] + MSE[predict(test)] finteness=MSE[predict(train)]+MSE[predict(test)] 4.测试结果数据划分信息如下: 训练集数量为1900组,测试集数量为100组 鸽群参数设置如下: %% 利用鸽群算法选择回归预测分析最佳的lssSVM参数c&g %% 鸽群参数设置 % 定义优化参数的个数,在该场景中,优化参数的个数dim为2 。 % 定义优化参数的上下限,如c的范围是[0.01, 1], g的范围是[2^-5, 2^5],那么参数的下限lb=[0.01, 2^-5];参数的上限ub=[1, 2^5]。 %目标函数 fobj = @(x) fun(x,Pn_train,Tn_train,Pn_test,Tn_test); % 优化参数的个数 (c、g) dim = 2; % 优化参数的取值下限 lb = [0.01,0.01]; ub = [5,5]; % 参数设置 pop =20; %鸽群数量 Max_iteration=5;%最大迭代次数
PIO-LSSVM优化得到的最优参数为: PIO-LSSVM优化得到的gama为:4.9524 PIO-LSSVM优化得到的sig2为:0.17481 PIO-LSSVM结果: PIO-LSSVM训练集MSE:0.047814 PIO-LSSVM测试集MSE:0.020166 LSSVM结果: LSSVM训练集MSE:0.16465 LSSVM测试集MSE:0.13127 从MSE结果来看,经过改进后的鸽群-LSSVM明显优于未改进前的结果。 5.Matlab代码 |
CopyRight 2018-2019 实验室设备网 版权所有 |