数学建模社区-数学中国

标题: ELM的回归拟合——基于近红外光谱的汽油辛烷值预测鸢尾花种类识别 [打印本页]

---

作者: 2744557306    时间: 2023-11-22 17:49
标题: ELM的回归拟合——基于近红外光谱的汽油辛烷值预测鸢尾花种类识别
这段MATLAB代码实现了使用极限学习机（Extreme Learning Machine，ELM）进行回归的过程。下面是代码的主要功能和步骤的解释：

1.数据加载和划分：

2.通过加载 spectra_data.mat 文件获取NIR（近红外光谱）和辛烷值数据。
7 j1 g; N3 v( w. ]/ a% {2 Y3.随机将数据集分为训练集和测试集，其中训练集有50个样本，测试集有10个样本。

1. load spectra_data.mat
   
2. 
   
3. temp = randperm(size(NIR,1));
   
4. 
   0 z" `# |, \" N$ Y, ]6 [
5. P_train = NIR(temp(1:50),:)';
   2 X# F3 k8 A6 ~9 w) y8 }# G7 F" K
6. 
   , Q( t& b9 y$ H* `/ l. r- Z
7. T_train = octane(temp(1:50),:)';
   4 ]' W: L  k2 V1 t3 o+ S
8. 
   
9. P_test = NIR(temp(51:end),:)';
   ; ]+ i: b+ X4 J
10. 
    4 x9 m4 U1 p# @8 r" N$ C
11. T_test = octane(temp(51:end),:)';
    : T2 B2 C+ s# a3 B4 p- b7 Q
12. 
    # _" |% V( b1 S8 G5 w0 t
13. N = size(P_test,2);

复制代码

4.数据归一化：

8 I9 C! X) @( s5.对训练集和测试集的输入和输出进行归一化。

1. [Pn_train,inputps] = mapminmax(P_train);
   
2. 
   
3. Pn_test = mapminmax('apply',P_test,inputps);
   6 }: J% @) |2 I. m+ O+ V: W+ j( r. n
4. 
   0 Q% a* {4 V. R, e: E, c5 i1 a
5. [Tn_train,outputps] = mapminmax(T_train);
   2 P8 P" P9 }/ B0 b: i
6. 
   
7. Tn_test = mapminmax('apply',T_test,outputps);

复制代码

6.ELM模型创建/训练：


7.使用 elmtrain 函数创建并训练ELM模型。该模型有30个隐含层神经元，激活函数为sigmoid函数。

1. [IW,B,LW,TF,TYPE] = elmtrain(Pn_train,Tn_train,30,'sig',0);

复制代码

8.ELM模型仿真测试：
+ K- [. d5 C2 v  T4 @7 J! m9.使用 elmpredict 函数对测试集进行仿真测试，得到预测结果。

1. tn_sim = elmpredict(Pn_test,IW,B,LW,TF,TYPE);
   
2. 
   ; e8 W# [0 B9 a; K! @  o' H. p
3. T_sim = mapminmax('reverse',tn_sim,outputps);

复制代码

10.结果评估：
11.将真实值和预测值组合成一个矩阵 result。
6 q2 s; C1 y6 G12.计算均方误差（MSE）和决定系数（R^2）。

1. result = [T_test' T_sim'];
   * Q' F8 r6 P" Q9 w1 |
2. 
   
3. E = mse(T_sim - T_test);
   
4. 
   * f6 ^" s4 W/ ~/ t
5. N = length(T_test);
   / [8 N! A6 C- @& L/ \
6. 
   # H! X7 J: |2 h$ \, `2 C
7. R2 = (N * sum(T_sim .* T_test) - sum(T_sim) * sum(T_test))^2 / ((N * sum((T_sim).^2) - (sum(T_sim))^2) * (N * sum((T_test).^2) - (sum(T_test))^2));

复制代码

13.结果可视化：
14.绘制真实值和预测值的对比图。
. c0 m" _6 h5 N  g0 J  |/ C15.在图标题中显示均方误差（MSE）和决定系数（R^2）。

1. figure(1)
   . M9 h0 U, }. ]) G4 ~1 d
2. 
   
3. plot(1:N,T_test,'r-*',1:N,T_sim,'b:o')
     `- V6 U" U: N; k  Y! r' P
4. 
   
5. grid on
   # |9 n; @  X  ~' z
6. 
   6 L- N' \5 \* \; M  s2 f: y; v
7. legend('真实值','预测值')
   
8. 
   : |1 W! D/ t4 }
9. xlabel('样本编号')
   & x* Z6 t" w/ R6 ]) V+ Q1 @
10. 
    
11. ylabel('辛烷值')
    
12. 
    
13. string = {'测试集辛烷值含量预测结果对比(ELM)';['(mse = ' num2str(E) ' R^2 = ' num2str(R2) ')']};
    
14. 
    
15. title(string)

复制代码

综合而言，这段代码通过ELM模型对近红外光谱数据进行回归预测，并通过图表展示了预测结果的准确性。
. O2 A! O7 o* F. `) Q
! Z* P, O5 T4 W/ @: ]6 g
4 F+ K/ W  g& [. {  q

chapter30 极限学习机的回归拟合及分类——对比实验研究.rar

2023-11-22 17:48 上传

点击文件名下载附件

下载积分: 体力 -2 点

171.96 KB, 下载次数: 0, 下载积分: 体力 -2 点

售价: 2 点体力  [记录]  [购买]

---

欢迎光临 数学建模社区-数学中国 (http://www.madio.net/)

Powered by Discuz! X2.5