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

2744557306

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：

  a# W4 R$ [6 }) z2.通过加载 spectra_data.mat 文件获取NIR（近红外光谱）和辛烷值数据。
9 A* ?2 g5 {9 o/ \2 @3.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# [% k+ H% G4 l4 G1 T  c' M
   
2. 
   ) V1 S/ V2 j; ~
3. temp = randperm(size(NIR,1));+ C' e\" V/ k! o1 d5 V0 ^+ R
   
4. 
   0 w4 {5 t- Q- |' g
5. P_train = NIR(temp(1:50),:)';1 R% f1 {5 J9 d! _8 U  O; J/ S
   
6. 
   : R2 T. ^, T8 n
7. T_train = octane(temp(1:50),:)';
   ! N& E' @; g# x$ I, Z8 M5 Y# Q8 I
8. ; g2 K; @. D* c% O- \
   
9. P_test = NIR(temp(51:end),:)';
     f2 H+ o3 |. @  R
10. 
    \" c) ^! o6 O8 N& i
11. T_test = octane(temp(51:end),:)';
    4 s- r  y) L, l: m
12. \" k8 U9 _) {5 I5 U& l
    
13. N = size(P_test,2);

复制代码

4.数据归一化：

5.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);
   ! s& B, }0 s4 w( B\" ?/ @$ _
2. ( D9 L6 `5 `* i, l5 g\" U8 {( p- {
   
3. Pn_test = mapminmax('apply',P_test,inputps);
   ! L\" g  v0 H: _+ x+ U
4. 
   7 x0 N: s6 p5 @/ Q& C1 Q' e
5. [Tn_train,outputps] = mapminmax(T_train);2 c, B2 H9 _. S
   
6. - d6 i4 s  N\" w
   
7. Tn_test = mapminmax('apply',T_test,outputps);

复制代码

6.ELM模型创建/训练：

6 c1 s* Z* N) p0 h
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：
9.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);: h  @1 v; K/ d  |+ b8 F
   
2. 
   , g' X$ x) h: H
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。
12.计算均方误差（MSE）和决定系数（R^2）。

1. result = [T_test' T_sim'];
   3 `' R0 C) l$ G
2. 
   & l! O3 n* M7 U/ @
3. E = mse(T_sim - T_test);0 f6 n. O1 w$ u/ [
   
4. 
   ) J# c6 C6 T' c/ n6 D
5. N = length(T_test);
   5 @9 T3 {6 p* _' R  O
6. 
     Z+ k9 s, }/ G: c* a
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。
7 B" P# g' l( U5 |! [15.在图标题中显示均方误差（MSE）和决定系数（R^2）。

1. figure(1)
   2 {4 h, M1 P\" K) S3 K, G' P
2. 
   - j5 _8 S; p\" C+ A; J3 X
3. plot(1:N,T_test,'r-*',1:N,T_sim,'b:o')
   0 {$ f8 g6 g. O7 j\" `
4. 8 T( }; |# g* h( M9 V
   
5. grid on
   \" E1 g) [% C; |6 z( T5 `\" H
6. 
   9 z  |: x* L5 o\" d1 z& \/ }
7. legend('真实值','预测值')5 Q/ l( i+ {& F1 Y$ R  D' i' q$ h
   
8. ! y9 j0 a( g  ~9 j
   
9. xlabel('样本编号')
   2 j. y% ?; c6 m3 m% l\" Z9 s
10. ! X) N6 ?1 I9 z
    
11. ylabel('辛烷值')- c& c% r1 E5 _9 q& D0 {
    
12. 3 O( w6 t/ w7 g, Z; d. u; W, g8 |4 V
    
13. string = {'测试集辛烷值含量预测结果对比(ELM)';['(mse = ' num2str(E) ' R^2 = ' num2str(R2) ')']};0 s# o( M' t0 }- D3 R# C
    
14.   z' V& A. Z0 ]\" W
    
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。
+ W" {& S& u; g

9 Z* I+ E9 {, a# q5 @( M; }0 b