在线 建站单页面网站带后台,html5网站搭建,宁夏找人做网站多少钱,中国摄影网站十大排名时序预测 | MATLAB实现PSO-KELM粒子群算法优化核极限学习机时间序列预测#xff08;含KELM、ELM等对比#xff09; 目录 时序预测 | MATLAB实现PSO-KELM粒子群算法优化核极限学习机时间序列预测#xff08;含KELM、ELM等对比#xff09;预测效果基本介绍模型介绍程序设计参…时序预测 | MATLAB实现PSO-KELM粒子群算法优化核极限学习机时间序列预测含KELM、ELM等对比 目录 时序预测 | MATLAB实现PSO-KELM粒子群算法优化核极限学习机时间序列预测含KELM、ELM等对比预测效果基本介绍模型介绍程序设计参考资料致谢 预测效果 基本介绍 MATLAB实现PSO-KELM粒子群算法优化核极限学习机时间序列预测含KELM、ELM等对比完整源码和数据 模型介绍 PSO-KELM常用于时间序列预测任务。 PSO是一种基于群体智能的优化算法它模拟了鸟群觅食的行为。在PSO中每个个体被称为粒子代表了解空间中的一个候选解。粒子通过在解空间中搜索来寻找最优解同时根据个体最优和全局最优的信息进行调整和更新。PSO算法通过迭代更新粒子的位置和速度来逐步优化解的质量。 PSO-KELM的时间序列预测步骤如下 准备时间序列数据集将其划分为训练集和测试集。 初始化PSO算法的粒子群并随机初始化粒子的位置和速度。 对于每个粒子使用KELM算法其中隐藏层的连接权重和偏置通过PSO进行优化。 根据训练得到的模型对测试集进行预测。 评估预测结果的准确性。 根据预测准确性和PSO的优化目标更新粒子的速度和位置。 重复步骤3至步骤6直到达到预定的迭代次数或满足停止准则。 根据最优的粒子位置得到最终的连接权重和偏置用于进行时间序列的预测。 需要注意的是PSO-KELM算法的性能和结果可能会受到参数设置的影响例如粒子数、迭代次数、网络的隐藏层节点数等。因此在实际应用中需要根据具体问题进行调优和参数选择。 程序设计
完整程序和数据下载地址方式私信博主回复MATLAB实现PSO-KELM粒子群算法优化核极限学习机时间序列预测含KELM、ELM等对比。
%% 各算法对比
clc;clear;close all
%%Positions initialization(SearchAgents_no, dim, ub, lb);%% 用于记录迭代曲线
Convergence_curve zeros(1, Max_iteration);
%% 循环计数器
iter 0;%% 优化算法主循环
while iter Max_iteration % 对迭代次数循环for i 1 : size(Positions, 1) % 遍历Flag4ub Positions(i, :) ub;Flag4lb Positions(i, :) lb;% 若的位置在最大值和最小值之间则位置不需要调整若超出最大值最回到最大值边界% 若超出最小值最回答最小值边界Positions(i, :) (Positions(i, :) .* (~(Flag4ub Flag4lb))) ub .* Flag4ub lb .* Flag4lb; % 计算适应度函数值
% Positions(i, 2) round(Positions(i, 2));
% fitness fical(Positions(i, :));fitness fobj(Positions(i, :));% 更新 Alpha, Beta, Deltaif fitness Alpha_score % 如果目标函数值小if fitness Alpha_score fitness Beta_score Delta_score fitness; % 则将Delta的目标函数值更新为最优目标函数值Delta_pos Positions(i, :); % 同时更新Delta的位置endend% 线性权重递减wa 2 - iter * ((2) / Max_iteration); % 更新搜索群的位置for i 1 : size(Positions, 1) % 遍历每个for j 1 : size(Positions, 2) % 遍历每个维度% 包围猎物位置更新r1 rand; % r1 is a random number in [0,1]r2 rand; % r2 is a random number in [0,1]A1 2 * wa * r1 - wa; % 计算系数AEquation (3.3)C1 2 * r2; % 计算系数CEquation (3.4)% Alpha 位置更新D_alpha abs(C1 * Alpha_pos(j) - Positions(i, j)); % Equation (3.5)-part 1X1 Alpha_pos(j) - A1 * D_alpha; % Equation (3.6)-part 1r1 rand; % r1 is a random number in [0,1]r2 rand; % r2 is a random number in [0,1]A2 2 * wa * r1 - wa; % 计算系数AEquation (3.3)C2 2 *r2; % 计算系数CEquation (3.4)% Beta 位置更新D_beta abs(C2 * Beta_pos(j) - Positions(i, j)); % Equation (3.5)-part 2X2 Beta_pos(j) - A2 * D_beta; % Equation (3.6)-part 2 r1 rand; % r1 is a random number in [0,1]r2 rand; % r2 is a random number in [0,1]A3 2 *wa * r1 - wa; % 计算系数AEquation (3.3)C3 2 *r2; % 计算系数CEquation (3.4)% Delta 位置更新D_delta abs(C3 * Delta_pos(j) - Positions(i, j)); % Equation (3.5)-part 3X3 Delta_pos(j) - A3 * D_delta; % Equation (3.5)-part 3% 位置更新Positions(i, j) (X1 X2 X3) / 3; % Equation (3.7)endend% 更新迭代器iter iter 1; Convergence_curve(iter) Alpha_score;curve(iter)sum(Convergence_curve)/iter;disp([第,num2str(iter),次迭代])disp([current iteration is: ,num2str(iter), , best fitness is: , num2str(Alpha_score)]);
end%% 记录最佳参数
% best_lr Alpha_pos(1, 1);
% best_hd Alpha_pos(1, 2);
% best_l2 Alpha_pos(1, 3);
end
function result(true_value,predict_value,type)
disp(type)
rmsesqrt(mean((true_value-predict_value).^2));
disp([根均方差(RMSE),num2str(rmse)])
maemean(abs(true_value-predict_value));
disp([平均绝对误差MAE,num2str(mae)])
mapemean(abs((true_value-predict_value)./true_value));
disp([平均相对百分误差MAPE,num2str(mape*100),%])
r2 R2(predict_value, true_value);
disp([R平方决定系数MAPE,num2str(r2)])
nse NSE(predict_value, true_value);
disp([纳什系数NSE,num2str(nse)])fprintf(\n)参考资料 [1] https://blog.csdn.net/kjm13182345320?spm1010.2135.3001.5343 [2] https://mianbaoduo.com/o/bread/mbd-YpiamZpq [3] SI Y WYIN J OBST-based segmentation approach to financial time seriesJ Engineering Applications of Artificial Intelligence201326( 10) : 2581-2596 [4] YUAN XCHEN CJIANG Met al. Prediction Interval of Wind Power Using Parameter Optimized Beta Distribution Based LSTM ModelJ. Applied Soft Computing201982105550.143 致谢
大家的支持是我写作的动力!感谢大家订阅记得备注
