【SVM分类】基于布谷鸟算法优化实现SVM数据分类matlab源码

1 模型

针对支持向量机(SVM)在数据分类中,根据经验选取参数导致预测精度下降的问题,提出一种基于布谷鸟搜索算法(CSA)优化SVM的分类的新方法(CSA-SVM).先以历史负荷,温度,湿度等属性构成训练样本集的输入向量作为SVM的输入,以负荷值作为输出,建立SVM预测模型;再根据训练误差,以CSA对SVM中惩罚因子和核参数进行寻优;最后,按照CSA寻优获得的最优参数建立基于CSA-SVM的预测模型并开展数据分类.实际负荷数据试验显示,相较于SVM模型，CSA-SVM具有更高的预测精度,能够满足电力系统短期负荷预测精度需求.

1.1 支持向量机

1.2 布谷鸟算法

2 部分代码

%#ok<*SAGROW> Remove hints of syntax

%#ok<*CLALL>

%#ok<*FNDSB>

clear all ; 

close all ;

clc ;

N = 25; %　Number of nests(The scale of solution)

D = 10 ; %  Dimensionality of solution

T = 200 ; % Number of iterations

Xmax = 20 ;

Xmin = -20 ;

Pa = 0.25 ; % Probability of building a new nest(After host bird find exotic bird eggs)

nestPop = rand(N,D)*(Xmax-Xmin)+Xmin ;  % Random initial solutions

for t=1:T

    levy_nestPop =  func_levy(nestPop,Xmax,Xmin) ; % Generate new solutions by Levy flights

    nestPop = func_bestNestPop(nestPop,levy_nestPop);  % Choose a best nest among  new and old nests     

    rand_nestPop = func_newBuildNest(nestPop,Pa,Xmax,Xmin); % Abandon(Pa) worse nests and build new nests by (Preference random walk )

    nestPop = func_bestNestPop(nestPop,rand_nestPop) ; % Choose a best nest among  new and old nests

    [~,index] = max(func_fitness(nestPop)) ; % Best nests

    trace(t) = func_objValue(nestPop(index,:)) ; 

end

figure 

plot(trace);

xlabel('迭代次数') ;

ylabel('适应度值') ;

title('适应度进化曲线') ;

3 仿真结果

4 参考文献

[1]胡智强等. "基于布谷鸟搜索优化支持向量机的短期负荷预测." 水电能源科学 034.012(2016):209-212.