%% 清空环境变量
clc;
clear;
warning off
close all
%% 读取数据
res = xlsread('数据集.xlsx');
%% 分析数据
num_class = length(unique(res(:, end))); % 类别数(Excel最后一列放类别)
num_res = size(res, 1); % 样本数(每一行,是一个样本)
num_size = 0.7; % 训练集占数据集的比例
res = res(randperm(num_res), :); % 打乱数据集(不打乱数据时,注释该行)
flag_conusion = 1; % 标志位为1,打开混淆矩阵(要求2018版本及以上)
%% 设置变量存储数据
P_train = []; P_test = [];
T_train = []; T_test = [];
%% 划分数据集
for i = 1 : num_class
mid_res = res((res(:, end) == i), :); % 循环取出不同类别的样本
mid_size = size(mid_res, 1); % 得到不同类别样本个数
mid_tiran = round(num_size * mid_size); % 得到该类别的训练样本个数
P_train = [P_train; mid_res(1: mid_tiran, 1: end - 1)]; % 训练集输入
T_train = [T_train; mid_res(1: mid_tiran, end)]; % 训练集输出
P_test = [P_test; mid_res(mid_tiran + 1: end, 1: end - 1)]; % 测试集输入
T_test = [T_test; mid_res(mid_tiran + 1: end, end)]; % 测试集输出
end
%% 数据转置
P_train = P_train'; P_test = P_test';
T_train = T_train'; T_test = T_test';
%% 得到训练集和测试样本个数
M = size(P_train, 2);
N = size(P_test , 2);
%% 对训练集更改标签
T_train1=T_train;
T_train=ind2vec(T_train);
%% 对测试集更改标签
T_test1=T_test;
T_test=ind2vec(T_test);
N = size(P_test, 2); % 测试集样本数
M = size(P_train, 2); % 训练集样本数
%% 数据归一化
[p_train, ps_input] = mapminmax(P_train, 0, 1);
p_test = mapminmax('apply', P_test, ps_input);
%% 获取最优正则化系数 C 和核函数参数 S
Kernel_type1 = 'rbf'; %核函数类型1
Kernel_type2 = 'poly'; %核函数类型2
%% 适应度函数
fobj=@(X)fobj(X,P_train,T_train,P_test,T_test,Kernel_type1,Kernel_type2);
%% 优化算法参数设置
pop=50;
Max_iter=20;
ub=[20 10^(3) 10^(3) 10 1]; %优化的参量分别为:正则化系数C,rbf核函数的核系数S(接下)
lb=[1 10^(-3) 10^(-3) 1 0.1]; %多项式核函数的两个核系数poly1和poly2,以及核权重系数w
智能算法及其模型预测