✅作者简介:热爱科研的Matlab仿真开发者,修心和技术同步精进,代码获取、论文复现及科研仿真合作可私信。
🍎个人主页:Matlab科研工作室
🍊个人信条:格物致知。
更多Matlab完整代码及仿真定制内容点击👇
🔥 内容介绍
随着移动互联网的普及,智能手机已成为人们日常生活中的必需品。用户电量数据是反映用户使用习惯和行为的重要指标,对移动应用开发和运营具有重要意义。因此,准确预测用户电量数据至关重要。
极限学习机(ELM)
极限学习机是一种单隐层前馈神经网络,具有快速学习、泛化能力强等优点。然而,传统的ELM算法存在学习参数选择困难、易陷入局部最优等问题。
人工兔算法(ARO)
人工兔算法是一种基于兔群觅食行为的优化算法,具有较强的全局搜索能力和收敛速度。
ARO-ELM算法
为了提高ELM算法的预测精度,本文提出了一种基于人工兔算法优化极限学习机的回归预测算法(ARO-ELM)。该算法将人工兔算法应用于ELM算法的参数优化,具体步骤如下:
-
初始化兔群,包括位置和速度。
-
计算兔群的适应度,即ELM模型在验证集上的预测误差。
-
更新兔群的位置和速度,根据ARO算法的觅食行为。
-
重复步骤2和3,直到满足终止条件。
-
输出最优参数下的ELM模型。
📣 部分代码
%% 清空环境变量
warning off % 关闭报警信息
close all % 关闭开启的图窗
clear % 清空变量
clc % 清空命令行
tic
% restoredefaultpath
%% 导入数据
res = xlsread('data.xlsx');
%% 数据分析
num_size = 0.7; % 训练集占数据集比例
outdim = 1; % 最后一列为输出
num_samples = size(res, 1); % 样本个数
res = res(randperm(num_samples), :); % 打乱数据集(不希望打乱时,注释该行)
num_train_s = round(num_size * num_samples); % 训练集样本个数
f_ = size(res, 2) - outdim; % 输入特征维度
%% 划分训练集和测试集
P_train = res(1: num_train_s, 1: f_)';
T_train = res(1: num_train_s, f_ + 1: end)';
M = size(P_train, 2);
P_test = res(num_train_s + 1: end, 1: f_)';
T_test = res(num_train_s + 1: end, f_ + 1: end)';
N = size(P_test, 2);
⛳️ 运行结果
本文提出的ARO-ELM算法通过将人工兔算法应用于ELM算法的参数优化,有效提高了ELM算法的预测精度。该算法具有较强的泛化能力和收敛速度,可用于用户电量数据等回归预测任务中。
🔗 参考文献
[1] 王文锦,戚佳金,王文婷,等.基于人工蜂群优化极限学习机的短期负荷预测[J].电测与仪表, 2017, 054(011):32-35,48.
🎈 部分理论引用网络文献,若有侵权联系博主删除
🎁 关注我领取海量matlab电子书和数学建模资料
👇 私信完整代码和数据获取及论文数模仿真定制
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、背包问题、 风电场布局、时隙分配优化、 最佳分布式发电单元分配、多阶段管道维修、 工厂-中心-需求点三级选址问题、 应急生活物质配送中心选址、 基站选址、 道路灯柱布置、 枢纽节点部署、 输电线路台风监测装置、 集装箱船配载优化、 机组优化、 投资优化组合、云服务器组合优化、 天线线性阵列分布优化
2 机器学习和深度学习方面
2.1 bp时序、回归预测和分类
2.2 ENS声神经网络时序、回归预测和分类
2.3 SVM/CNN-SVM/LSSVM/RVM支持向量机系列时序、回归预测和分类
2.4 CNN/TCN卷积神经网络系列时序、回归预测和分类
2.5 ELM/KELM/RELM/DELM极限学习机系列时序、回归预测和分类
2.6 GRU/Bi-GRU/CNN-GRU/CNN-BiGRU门控神经网络时序、回归预测和分类
2.7 ELMAN递归神经网络时序、回归\预测和分类
2.8 LSTM/BiLSTM/CNN-LSTM/CNN-BiLSTM/长短记忆神经网络系列时序、回归预测和分类
2.9 RBF径向基神经网络时序、回归预测和分类