【LSSVM回归预测】正余弦算法优化最小二乘支持向量机SCA-LSSVM数据回归预测【含Matlab源码 3253期】

⛄一、运行结果

✅博主简介：热爱科研的Matlab仿真开发者，修心和技术同步精进，Matlab项目合作可私信。
🍎个人主页：海神之光
🏆代码获取方式：
海神之光Matlab王者学习之路—代码获取方式
⛳️座右铭：行百里者，半于九十。

更多Matlab仿真内容点击👇
Matlab图像处理（进阶版）
路径规划（Matlab）
神经网络预测与分类（Matlab）
优化求解（Matlab）
语音处理（Matlab）
信号处理（Matlab）
车间调度（Matlab）

⛄二、正余弦算法优化最小二乘支持向量机SCA-LSSVM简介

1 正余弦算法
正余弦算法（Sine Cosine Algorithm，SCA）是一种基于种群的新型随机优化算法，由澳大利亚的Mirjalili于2016年提出。该算法通过创建多个初始随机候选解，利用基于正弦和余弦函数的数学模型，使得这些解朝最优解方向或反向波动，以达到优化的目的。为了平衡探索和利用，正弦和余弦的取值范围应该自适应地调整。正弦和余弦的周期模式可以允许一个解在另一个解周围重新定位，从而保证利用两个解之间定义的空间，同时为了探索搜索空间，解应该能够搜索其对应终点之间之外的空间，而这可以通过改变正弦和余弦函数的取值范围来实现。

2 正余弦算法优化最小二乘支持向量机SCA-LSSVM
正余弦算法优化最小二乘支持向量机SCA-LSSVM是一种基于正余弦算法的优化算法，用于提高最小二乘支持向量机（LSSVM）算法的效率和准确性。LSSVM算法是一种有效的回归方法，但在处理大量数据时存在计算量大、训练时间长等问题。为了解决这些问题，研究者们提出了很多优化算法，其中正余弦算法是一种比较有效的优化算法。正余弦算法是一种新型的群体智能优化算法，其搜索过程主要受正弦和余弦函数的影响。通过将正余弦算法应用于LSSVM算法中，可以优化算法的效率和准确性。实验结果表明，SCA-LSSVM算法具有较高的预测精度和较短的训练时间。

⛄三、部分源代码

%=====================================================================

%% 基于正余弦算法优化最小二乘支持向量机lssvm实现数据回归预测附matlab代码
%% 开发者：天天Matlab
%% 更多咨询关注天天Matlab微信公众号
clc
close all
clear
format long

tic
%==============================================================
%%导入数据
data=xlsread(‘1.xlsx’);
[row,col]=size(data);
x=data(:,1:col-1);
y=data(:,col);
set=1; %设置测量样本数
row1=row-set;%
train_x=x(1:row1,:);
train_y=y(1:row1,:);
test_x=x(row1+1:row,:);%预测输入
test_y=y(row1+1:row,:);%预测输出
train_x=train_x’;
train_y=train_y’;
test_x=test_x’;
test_y=test_y’;

%%数据归一化
[train_x,minx,maxx, train_yy,miny,maxy] =premnmx(train_x,train_y);
test_x=tramnmx(test_x,minx,maxx);
train_x=train_x’;
train_yy=train_yy’;
train_y=train_y’;
test_x=test_x’;
test_y=test_y’;
%% 参数初始化
lb=[0.1 0.01];%参数c g的变化的最小值.
ub=[1000 100];%参数c g的变化的最大值.
maxgen=100; % 进化次数 300
sizepop=10; % 种群规模30
dim=2;
%%定义lssvm相关参数
type=‘f’;
kernel = ‘RBF_kernel’;
proprecess=‘proprecess’;
fitness=@(x)fobj(x,train_x,train_yy,type,kernel,proprecess,test_x,test_y,miny,maxy,train_y);

[ global_fitness,global_x,fit_gen]=SCA(sizepop,maxgen,lb,ub,dim,fitness);
%% 结果分析
plot(fit_gen,‘LineWidth’,2);
title([‘正余弦算法优化lssvm适应度曲线’,‘(终止代数=’,num2str(maxgen),‘)’],‘FontSize’,13);
xlabel(‘进化代数’);ylabel(‘误差适应度’);

bestc = global_x(1);
bestg = global_x(2);

gam=bestc;
sig2=bestg;
model=initlssvm(train_x,train_yy,type,gam,sig2,kernel,proprecess);%原来是显示
model=trainlssvm(model);%原来是显示
%求出训练集和测试集的预测值
[train_predict_y,zt,model]=simlssvm(model,train_x);
[test_predict_y,zt,model]=simlssvm(model,test_x);
%预测数据反归一化
train_predict=postmnmx(train_predict_y,miny,maxy);%预测输出
test_predict=postmnmx(test_predict_y,miny,maxy);
%计算均方差
trainmse=sum((train_predict-train_y).^2)/length(train_y)
%testmse=sum((test_predict-test_y).^2)/length(test_y)

for i=1:set
RD(i)=(test_predict(i)-test_y(i))/test_y(i)*100;
end
for i=1:set
D(i)=test_predict(i)-test_y(i);
end
RD=RD’;
D=D’;

figure
plot(test_predict,‘:ob’)
hold on
plot(test_y,‘r- *’)
legend(‘预测输出’,‘期望输出’)
title(‘网络预测输出’,‘fontsize’,12)
ylabel(‘函数输出’,‘fontsize’,12)
xlabel(‘样本’,‘fontsize’,12)
figure
plot(train_predict,‘:og’)
hold on
plot(train_y,‘r- *’)
legend(‘预测输出’,‘期望输出’)
title(‘正余弦算法网络预测输出’,‘fontsize’,12)
ylabel(‘函数输出’,‘fontsize’,12)
xlabel(‘样本’,‘fontsize’,12)

toc %计算时间

⛄四、matlab版本及参考文献

1 matlab版本
2014a

2 参考文献
[1]李鹏飞,王青青,毋建宏,樊怡彤.基于灰狼优化算法的最小二乘支持向量机红枣产量预测研究[J].安徽农业科学. 2020,48(06)

3 备注
简介此部分摘自互联网，仅供参考，若侵权，联系删除

🍅 仿真咨询
1 各类智能优化算法改进及应用
生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化

2 机器学习和深度学习方面
卷积神经网络（CNN）、LSTM、支持向量机（SVM）、最小二乘支持向量机（LSSVM）、极限学习机（ELM）、核极限学习机（KELM）、BP、RBF、宽度学习、DBN、RF、RBF、DELM、XGBOOST、TCN实现风电预测、光伏预测、电池寿命预测、辐射源识别、交通流预测、负荷预测、股价预测、PM2.5浓度预测、电池健康状态预测、水体光学参数反演、NLOS信号识别、地铁停车精准预测、变压器故障诊断

3 图像处理方面
图像识别、图像分割、图像检测、图像隐藏、图像配准、图像拼接、图像融合、图像增强、图像压缩感知

4 路径规划方面
旅行商问题（TSP）、车辆路径问题（VRP、MVRP、CVRP、VRPTW等）、无人机三维路径规划、无人机协同、无人机编队、机器人路径规划、栅格地图路径规划、多式联运运输问题、车辆协同无人机路径规划、天线线性阵列分布优化、车间布局优化

5 无人机应用方面
无人机路径规划、无人机控制、无人机编队、无人机协同、无人机任务分配

6 无线传感器定位及布局方面
传感器部署优化、通信协议优化、路由优化、目标定位优化、Dv-Hop定位优化、Leach协议优化、WSN覆盖优化、组播优化、RSSI定位优化

7 信号处理方面
信号识别、信号加密、信号去噪、信号增强、雷达信号处理、信号水印嵌入提取、肌电信号、脑电信号、信号配时优化

8 电力系统方面
微电网优化、无功优化、配电网重构、储能配置

9 元胞自动机方面
交通流 人群疏散 病毒扩散 晶体生长

10 雷达方面
卡尔曼滤波跟踪、航迹关联、航迹融合