分類預測 | Matlab實現KPCA-IDBO-LSSVM基于核主成分分析-改進蜣螂算法優化最小二乘支持向量機的分類預測

分類效果

基本描述

1.多特征輸入，附贈DBO-LSSVM、原始LSSVM兩個模型的對比。經過降維后利用改進蜣螂算法優化LSSVM參數為：sig，gamma。
2.蜣螂算法改進點如下，融合了改進的正弦算法，自適應高斯-柯西混合變異擾動和Bernoulli混沌映射，三個改進點。
3.直接替換Excel數據即可用，注釋清晰，適合新手小白。
4.附贈示例數據，直接運行main一鍵出圖。

程序設計

• 完整程序和數據獲取方式：私信博主回復Matlab實現KPCA-IDBO-LSSVM基于核主成分分析-改進蜣螂算法優化最小二乘支持向量機的分類預測。

%-----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------
%%  數據轉置
P_train = P_train'; P_test = P_test';
T_train = T_train'; T_test = T_test';
%-----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------
%%  得到訓練集和測試樣本個數
M = size(P_train, 2);
N = size(P_test , 2);
%-----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------
%%  數據歸一化
[p_train, ps_input] = mapminmax(P_train, 0, 1);
p_test  = mapminmax('apply', P_test, ps_input);
t_train = ind2vec(T_train);
t_test  = ind2vec(T_test );
%-----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------
%%  轉置以適應模型
p_train = p_train'; p_test = p_test';
t_train = t_train'; t_test = t_test';
%-----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------
dbn.sizes = [70 32 56];                 % 隱藏層節點
opts.numepochs = 100;                   % 訓練次數
opts.batchsize = M;                     % 每次訓練樣本個數 需滿足：（M / batchsize = 整數）
opts.momentum  = 0;                     % 學習率的動量
opts.alpha     = 0.01;                  % 學習率dbn = dbnsetup(dbn, p_train, opts);     % 建立模型
dbn = dbntrain(dbn, p_train, opts);     % 訓練模型
————————————————
版權聲明：本文為CSDN博主「機器學習之心」的原創文章，遵循CC 4.0 BY-SA版權協議，轉載請附上原文出處鏈接及本聲明。
原文鏈接：https://blog.csdn.net/kjm13182345320/article/details/131174983

參考資料

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