【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】

最新推荐文章于 2024-09-28 17:54:09 发布

Matlab武动乾坤

最新推荐文章于 2024-09-28 17:54:09 发布

阅读量62

点赞数

分类专栏： Matlab神经网络预测与分类（中级版）文章标签： matlab

本文链接：https://blog.csdn.net/KeepingMatlab/article/details/134299502

版权

Matlab神经网络预测与分类（中级版）专栏收录该内容

918 篇文章 8 订阅

订阅专栏

⛄一、运行结果

在这里插入图片描述

✅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。

⛄二、ELM神经网络简介

1 引言
极限学习机不是一个新的东西，只是在算法（方法）上有新的内容。在神经网络结构上，就是一个前向传播的神经网络，和之前几篇博文讲的意义。
在这里插入图片描述
2 ELM最大的创新点
1）输入层和隐含层的连接权值、隐含层的阈值可以随机设定，且设定完后不用再调整。这和BP神经网络不一样，BP需要不断反向去调整权值和阈值。因此这里就能减少一半的运算量了。
2）隐含层和输出层之间的连接权值β不需要迭代调整，而是通过解方程组方式一次性确定。
研究表明，通过这样的规则，模型的泛化性能很好，速度提高了不少。
一言概之，ELM最大的特点就是对于传统的神经网络，尤其是单隐层前馈神经网络(SLFNs)，在保证学习精度的前提下比传统的学习算法速度更快。

3 极限学习机原理
ELM是一种新型的快速学习算法，对于单隐层神经网络，ELM可以随机初始化输入权重和偏置并得到相应的输出权重。
在这里插入图片描述
单隐层神经网络学习的目标是使得输出的误差最小，可以表示为

可以矩阵表示为

⛄三、部分源代码

%%
% 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 = NR + N;%维度，即权值与阈值的个数
lb = [-1.ones(NR,1);zeros(N,1)];%下边界
ub = [ones(NR,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’)

%% 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)])

⛄四、matlab版本及参考文献

1 matlab版本
2014a

2 参考文献
[1]吕忠,周强,周琨,陈立,申双葵.基于遗传算法改进极限学习机的变压器故障诊断[J].高压电工,2015

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