分类预测 | Matlab实现SMA-KELM黏菌优化算法优化核极限学习机分类预测

分类预测 | Matlab实现SMA-KELM黏菌优化算法优化核极限学习机分类预测

目录

    • 分类预测 | Matlab实现SMA-KELM黏菌优化算法优化核极限学习机分类预测
      • 分类效果
      • 基本描述
      • 程序设计
      • 参考资料

分类效果

分类预测 | Matlab实现SMA-KELM黏菌优化算法优化核极限学习机分类预测_第1张图片
分类预测 | Matlab实现SMA-KELM黏菌优化算法优化核极限学习机分类预测_第2张图片
分类预测 | Matlab实现SMA-KELM黏菌优化算法优化核极限学习机分类预测_第3张图片
分类预测 | Matlab实现SMA-KELM黏菌优化算法优化核极限学习机分类预测_第4张图片
分类预测 | Matlab实现SMA-KELM黏菌优化算法优化核极限学习机分类预测_第5张图片

基本描述

1.MATLAB实现SMA-KELM黏菌优化算法优化核极限学习机分类预测(完整源码和数据)
2.优化参数为正则化系数C和核函数参数G;
3.直接替换数据即可使用,保证程序可正常运行。
4.程序语言为matlab,程序可出分类效果图,迭代优化图,混淆矩阵图。
运行环境matlab2018b及以上。
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(资源处直接下载)Matlab实现SMA-KELM黏菌优化算法优化核极限学习机分类预测
%% 获取最优正则化系数 C 和核函数参数 S
Regularization_coefficient = Best_score(1);
Kernel_para = Best_score(2);
Kernel_type = 'rbf';
%% 训练
[TrainOutT,OutputWeight] = kelmTrain(P_train,T_train,Regularization_coefficient,Kernel_type,Kernel_para);
%% 训练集预测
InputWeight = OutputWeight;
[TestOutT] = kelmPredict(P_train,InputWeight,Kernel_type,Kernel_para,P_test);
%% 训练集正确率
errorTrain = TrainOutT - T_train;
accuracyTrain = sum(errorTrain == 0)/length(T_train);

参考资料

[1] https://blog.csdn.net/kjm13182345320/article/details/129036772?spm=1001.2014.3001.5502
[2] https://blog.csdn.net/kjm13182345320/article/details/128690229

你可能感兴趣的:(分类预测,SMA-KELM,黏菌优化算法,优化核极限学习,分类预测)