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

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 TF
            case 'sig'
                H = 1 ./ (1 + exp(-tempH));
            case 'hardlim'
                H = hardlim(tempH);
        end
        %%  计算输出
        Y = (H' * LW)';
        %%  转化分类模式
        if TYPE == 1
            temp_Y = zeros(size(Y));
            for i = 1:size(Y, 2)
                [~, index] = max(Y(:, i));
                temp_Y(index, i) = 1;
            end
            Y = vec2ind(temp_Y); 
        end
        end
        

        参考资料

        [1] https://blog.csdn.net/kjm13182345320/article/details/124864369

        [2] https://blog.csdn.net/kjm13182345320/article/details/127896974?spm=1001.2014.3001.5502