wordpress主题有广告,seo官网优化,注销公司需要多少钱,宁波公司排名回归预测 | Matlab基于SO-SVR蛇群算法优化支持向量机的数据多输入单输出回归预测 目录 回归预测 | Matlab基于SO-SVR蛇群算法优化支持向量机的数据多输入单输出回归预测预测效果基本描述程序设计参考资料 预测效果 基本描述
1.Matlab基于SO-SVR蛇群算法优化支持向量机的数据多…回归预测 | Matlab基于SO-SVR蛇群算法优化支持向量机的数据多输入单输出回归预测 目录 回归预测 | Matlab基于SO-SVR蛇群算法优化支持向量机的数据多输入单输出回归预测预测效果基本描述程序设计参考资料 预测效果 基本描述
1.Matlab基于SO-SVR蛇群算法优化支持向量机的数据多输入单输出回归预测完整源码和数据
2.选择最佳的SVM核函数参数c和g;
3.多特征输入单输出的回归预测。程序内注释详细excel数据直接替换数据就可以用。
4.程序语言为matlab程序可出预测效果图迭代优化图相关分析图运行环境matlab2020b及以上。评价指标包括:R2、RPD、MSE、RMSE、MAE、MAPE等。
5.代码特点参数化编程、参数可方便更改、代码编程思路清晰、注释明细。 程序设计
完整程序和数据获取方式资源处下载Matlab基于SO-SVR蛇群算法优化支持向量机的数据多输入单输出回归预测。
%% 参数设置
%% 优化算法
[Best_score,Best_pos, curve] SO(pop, Max_iteration, lb, ub, dim, fun); %% 获取最优参数
bestc Best_pos(1, 1);
bestg Best_pos(1, 2); %% 建立模型
cmd [ -t 2 , -c , num2str(bestc), -g , num2str(bestg), -s 3 -p 0.01 ];
model svmtrain(t_train, p_train, cmd);%% 仿真预测
[t_sim1, error_1] svmpredict(t_train, p_train, model);
[t_sim2, error_2] svmpredict(t_test , p_test , model);%% 数据反归一化
T_sim1 mapminmax(reverse, t_sim1, ps_output);
T_sim2 mapminmax(reverse, t_sim2, ps_output);
T_sim1 T_sim1;
T_sim2 T_sim2;
%% 适应度曲线
figure;
plot(1 : length(curve), curve, LineWidth, 1.5);
title(适应度曲线, FontSize, 13);
xlabel(迭代次数, FontSize, 13);
ylabel(适应度值, FontSize, 13);
grid
set(gcf,color,w)%% 相关指标计算
%% 均方根误差
toc
%% 测试集结果
figure;
plotregression(T_test,T_sim2,[回归图]);
set(gcf,color,w)
figure;
ploterrhist(T_test-T_sim2,[误差直方图]);
set(gcf,color,w)
%% 均方根误差 RMSE
error1 sqrt(sum((T_sim1 - T_train).^2)./M);
error2 sqrt(sum((T_test - T_sim2).^2)./N);%%
%决定系数
R1 1 - norm(T_train - T_sim1)^2 / norm(T_train - mean(T_train))^2;
R2 1 - norm(T_test - T_sim2)^2 / norm(T_test - mean(T_test ))^2;%%
%均方误差 MSE
mse1 sum((T_sim1 - T_train).^2)./M;
mse2 sum((T_sim2 - T_test).^2)./N;
%%
%RPD 剩余预测残差
SE1std(T_sim1-T_train);
RPD1std(T_train)/SE1;SEstd(T_sim2-T_test);
RPD2std(T_test)/SE;
%% 平均绝对误差MAE
MAE1 mean(abs(T_train - T_sim1));
MAE2 mean(abs(T_test - T_sim2));
%% 平均绝对百分比误差MAPE
MAPE1 mean(abs((T_train - T_sim1)./T_train));
MAPE2 mean(abs((T_test - T_sim2)./T_test));
参考资料 [1] https://blog.csdn.net/kjm13182345320/article/details/129036772?spm1001.2014.3001.5502 [2] https://blog.csdn.net/kjm13182345320/article/details/128690229
