【预测模型】基于麻雀算法优化最小二乘支持向量机实现数据分类matlab代码

1 简介

预测模型参数的选取对其泛化能力和预测准确度,起着至关重要作用.基于径向基核函数的最小二乘支持向量机参数主要涉及惩罚因子和核函数参数,这两个参数的选择将直接影响最小二乘支持向量机的学习和泛化能力.为了提高最小二乘支持向量机的预测结果,文章用麻雀优化算法对其参数寻优,建立数据分类模型.通过实验证明了该模型,对数据分类表现出很好的效果.

2 部分代码

%_________________________________________________________________________%

% 麻雀优化算法             %

%_________________________________________________________________________%

function [Best_pos,Best_score,curve]=SSA(pop,Max_iter,lb,ub,dim,fobj)

ST = 0.6;%预警值

PD = 0.7;%发现者的比列，剩下的是加入者

SD = 0.1;%意识到有危险麻雀的比重

PDNumber = round(pop*PD); %发现者数量

SDNumber = round(pop*SD);%意识到有危险麻雀数量

if(max(size(ub)) == 1)

   ub = ub.*ones(1,dim);

   lb = lb.*ones(1,dim);  

end

%种群初始化

X0=initialization(pop,dim,ub,lb);

X = X0;

%计算初始适应度值

fitness = zeros(1,pop);

for i = 1:pop

   fitness(i) =  fobj(X(i,:));

end

 [fitness, index]= sort(fitness);%排序

BestF = fitness(1);

WorstF = fitness(end);

GBestF = fitness(1);%全局最优适应度值

for i = 1:pop

    X(i,:) = X0(index(i),:);

end

curve=zeros(1,Max_iter);

GBestX = X(1,:);%全局最优位置

X_new = X;

for i = 1: Max_iter

    

    BestF = fitness(1);

    WorstF = fitness(end);

    

    R2 = rand(1);

   for j = 1:PDNumber

      if(R2<ST)

          X_new(j,:) = X(j,:).*exp(-j/(rand(1)*Max_iter));

      else

          X_new(j,:) = X(j,:) + randn()*ones(1,dim);

      end     

   end

   for j = PDNumber+1:pop

%        if(j>(pop/2))

        if(j>(pop - PDNumber)/2 + PDNumber)

          X_new(j,:)= randn().*exp((X(end,:) - X(j,:))/j^2);

       else

          %产生-1，1的随机数

          A = ones(1,dim);

          for a = 1:dim

            if(rand()>0.5)

                A(a) = -1;

            end

          end 

          AA = A'*inv(A*A');     

          X_new(j,:)= X(1,:) + abs(X(j,:) - X(1,:)).*AA';

       end

   end

   Temp = randperm(pop);

   SDchooseIndex = Temp(1:SDNumber); 

   for j = 1:SDNumber

       if(fitness(SDchooseIndex(j))>BestF)

           X_new(SDchooseIndex(j),:) = X(1,:) + randn().*abs(X(SDchooseIndex(j),:) - X(1,:));

       elseif(fitness(SDchooseIndex(j))== BestF)

           K = 2*rand() -1;

           X_new(SDchooseIndex(j),:) = X(SDchooseIndex(j),:) + K.*(abs( X(SDchooseIndex(j),:) - X(end,:))./(fitness(SDchooseIndex(j)) - fitness(end) + 10^-8));

       end

   end

   %边界控制

   for j = 1:pop

       for a = 1: dim

           if(X_new(j,a)>ub(a))

               X_new(j,a) =ub(a);

           end

           if(X_new(j,a)<lb(a))

               X_new(j,a) =lb(a);

           end

       end

   end 

   %更新位置

   for j=1:pop

    fitness_new(j) = fobj(X_new(j,:));

   end

   for j = 1:pop

    if(fitness_new(j) < GBestF)

       GBestF = fitness_new(j);

        GBestX = X_new(j,:);   

    end

   end

   X = X_new;

   fitness = fitness_new;

    %排序更新

   [fitness, index]= sort(fitness);%排序

   BestF = fitness(1);

   WorstF = fitness(end);

   for j = 1:pop

      X(j,:) = X(index(j),:);

   end

   curve(i) = GBestF;

end

Best_pos =GBestX;

Best_score = curve(end);

end

3 仿真结果

4 参考文献

[1]陈鑫等. "基于改进麻雀搜索算法与支持向量机的光纤陀螺故障诊断." 空军工程大学学报:自然科学版 22.3(2021):8.