0
点赞
收藏
分享

微信扫一扫

【MATLAB第50期】基于MATLAB的RELM-LOO多输入单输出回归&分类预测算法与RELM及ELM进行对比

【MATLAB第50期】基于MATLAB的RELM-LOO多输入单输出回归&分类预测算法与RELM及ELM进行对比

引言

RELM-LOO即通过LOO计算效率方法对其RELM模型正则化C系数进行寻优。
对于进化算法寻优来说, 结果更稳定。

可参考以下文献:
[1] Shao Z , Er M J , Wang N .An effective semi-cross-validation model selection method for extreme learning machine with ridge regression[J].Neurocomputing, 2015, 151:933-942.DOI:10.1016/j.neucom.2014.10.002.

[2] Shao Z , Er M J .Efficient Leave-One-Out Cross-Validation-based Regularized Extreme Learning Machine[J].Neurocomputing, 2016, 194(jun.19):260-270.DOI:10.1016/j.neucom.2016.02.058.

一、回归模型

1.数据情况

7输入1输出,103行样本数据 。
前80训练,后23测试 ,随机样本抽取。

%%  导入数据
res = xlsread('数据集.xlsx');
 
%%  划分训练集和测试集
temp = randperm(103);

P_train = res(temp(1: 80), 1: 7)';
T_train = res(temp(1: 80), 8)';
M = size(P_train, 2);

P_test = res(temp(81: end), 1: 7)';
T_test = res(temp(81: end), 8)';
N = size(P_test, 2);

在这里插入图片描述

2.参数设置

nn.hiddensize     = 100;% 隐含层神经元数
nn.inputsize      = size(p_train,1); %输入变量数量 
nn.activefunction = 's';   %sigmoid激活函数 
method            = {'ELM','RELM','RELM-LOO'};% 方法进行对比
nn                = elm_initialization(nn);% 初始elm偏差及权值 
nn.C1              = 0.001; %RELM初始化正则化参数
nn.C2             = exp(-8:0.2:6); %RELM-LOO搜寻正则化参数范围 

3.效果展示

在这里插入图片描述

ELM训练集数据的RMSE为:2.0216
ELM测试集数据的RMSE为:3.199
ELM训练集数据的R2为:0.9337
ELM测试集数据的R2为:0.79778
ELM训练集数据的MAE为:1.5877
ELM测试集数据的MAE为:1.9848
ELM训练集数据的MBE为:0.00034057
ELM测试集数据的MBE为:0.41401
RELM训练集数据的RMSE为:1.643
RELM测试集数据的RMSE为:2.5332
RELM训练集数据的R2为:0.99366
RELM测试集数据的R2为:0.95801
RELM训练集数据的MAE为:0.49995
RELM测试集数据的MAE为:0.88175
RELM训练集数据的MBE为:0.12195
RELM测试集数据的MBE为:0.10933
RELM-LOO训练集数据的RMSE为:0.62506
RELM-LOO测试集数据的RMSE为:1.4577
RELM-LOO训练集数据的R2为:0.99366
RELM-LOO测试集数据的R2为:0.95801
RELM-LOO训练集数据的MAE为:0.49995
RELM-LOO测试集数据的MAE为:0.88175
RELM-LOO训练集数据的MBE为:0.12195
RELM-LOO测试集数据的MBE为:0.10933

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

二、分类模型

1.数据情况

12输入1输出,357行样本数据 ,4分类标签。
前240训练,后157测试 ,随机样本抽取。

%%  导入数据
res = xlsread('数据集C.xlsx');

%%  划分训练集和测试集
temp = randperm(357);

P_train = res(temp(1: 240), 1: 12)';
T_train = res(temp(1: 240), 13)';
M = size(P_train, 2);

P_test = res(temp(241: end), 1: 12)';
T_test = res(temp(241: end), 13)';
N = size(P_test, 2);

在这里插入图片描述

2.参数设置

nn.hiddensize = 100;% 隐含层神经元数
nn.inputsize = size(p_train,1); %输入变量数量
nn.activefunction = ‘s’; %sigmoid激活函数
method = {‘ELM’,‘RELM’,‘RELM-LOO’};% 方法进行对比
nn = elm_initialization(nn);% 初始elm偏差及权值
nn.C = 0.1; %正则化参数
nn.C2 = exp(-4:0.2:4); %RELM-LOO搜寻正则化参数范围
nn.type = ‘classification’;;%分类

3.效果展示

在这里插入图片描述

ELM训练集数据的正确率acc为:96.25
ELM测试集数据的正确率acc为:94.0171
RELM训练集数据的正确率acc为:96.25
RELM测试集数据的正确率acc为:96.5812
RELM-LOO训练集数据的正确率acc为:97.0833
RELM-LOO测试集数据的正确率acc为:97.4359

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

三、代码获取

后台私信回复“50期”可获取下载链接。

举报

相关推荐

0 条评论