杭州的网站开发,网站建设优化方法 s,泉州网站建设兼职,汕头制作网站分类预测 | Matlab实现GSWOA-KELM混合策略改进的鲸鱼优化算法优化核极限学习机的数据分类预测 目录 分类预测 | Matlab实现GSWOA-KELM混合策略改进的鲸鱼优化算法优化核极限学习机的数据分类预测效果一览基本介绍程序设计参考资料 效果一览 基本介绍
GSWOA-KELM分类#xff0…分类预测 | Matlab实现GSWOA-KELM混合策略改进的鲸鱼优化算法优化核极限学习机的数据分类预测 目录 分类预测 | Matlab实现GSWOA-KELM混合策略改进的鲸鱼优化算法优化核极限学习机的数据分类预测效果一览基本介绍程序设计参考资料 效果一览 基本介绍
GSWOA-KELM分类可实现二分类和多分类 基于三种策略改进的鲸鱼优化算法GSWOA)优化核极限学习机(KELM)的数据分类预测模型 GSWOA在收敛精度和速度上比基本的SSA,GWO,PSO,WOA,MPA,ABC算法要好的多Matlab代码适合新手小白 核极限学习机KELM是基于极限学习机ELM并结合核函数所提出的改进算法能够在保留 ELM 优点的基础上提高模型的预测性能。 通过改进鲸鱼算法优化KELM的两个参数避免了人工选取参数的盲目性有效提高预测精度。用的人还很少 WOA改进点如下 1.在鲸鱼位置更新公式中加入自适应权重动态调节最优位置的影响力改善算法收敛速度 2.使用变螺旋位置更新策略动态调整螺旋的形状提升算法全局搜寻能力 3.引入最优邻域扰动策略避免算法陷入局部最优解解决算法早熟现象。 直接替换数据即可用 适合新手小白 附赠案例数据 可直接运行
程序设计
完整程序和数据资源私信博主回复Matlab实现GSWOA-KELM混合策略改进的鲸鱼优化算法优化核极限学习机的数据分类预测。
function Y elmpredict(p_test, IW, B, LW, TF, TYPE)%% 计算隐层输出
Q size(p_test, 2);
BiasMatrix repmat(B, 1, Q);
tempH IW * p_test BiasMatrix;%% 选择激活函数
switch TFcase sigH 1 ./ (1 exp(-tempH));case hardlimH hardlim(tempH);
end%% 计算输出
Y (H * LW);%% 转化分类模式
if TYPE 1temp_Y zeros(size(Y));for i 1:size(Y, 2)[~, index] max(Y(:, i));temp_Y(index, i) 1;endY vec2ind(temp_Y);
endend参考资料 [1] https://blog.csdn.net/kjm13182345320/article/details/124864369 [2] https://blog.csdn.net/kjm13182345320/article/details/127896974?spm1001.2014.3001.5502
