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：

( I# A( ~  x$ `5 H7 _2 v2.通过加载 spectra_data.mat 文件获取NIR（近红外光谱）和辛烷值数据。
; s8 v, O0 i2 J* K& c+ h3.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/ j' i6 S8 F( L  S; l7 {
   
2. . F/ Z6 O% e; u& I. h
   
3. temp = randperm(size(NIR,1));
   9 A8 l& I* `) k- v5 z
4. 
     r0 x7 [8 @  [9 ~
5. P_train = NIR(temp(1:50),:)';
   - Z7 L3 a& Y- I9 q. V* w' G0 E
6. 
     F' {3 J2 E9 K2 J, }) Y) F) h
7. T_train = octane(temp(1:50),:)';* C9 v! T( b2 [: h6 g
   
8. 
   % @+ Z0 i6 k& D7 q0 J- t; q
9. P_test = NIR(temp(51:end),:)';! y& |- }* K2 \9 M, y+ B
   
10. 
    1 f\" g% x% w! V\" O8 M$ a9 ?  N2 c
11. T_test = octane(temp(51:end),:)';
    ; F% A; v0 x1 c' z! ^
12. ( y; L, s& n! x2 `5 q8 }
    
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);
   6 k/ w* [0 }# y9 j' |5 ~
2. , C) Y8 p( U- I
   
3. Pn_test = mapminmax('apply',P_test,inputps);2 ]9 u% @! c2 C- q! \2 X' a, z4 t
   
4. 
   ( h- @- `5 a0 k7 `
5. [Tn_train,outputps] = mapminmax(T_train);# _3 X8 N& I4 m* `
   
6. 
   0 P, \6 [1 j* X5 p
7. Tn_test = mapminmax('apply',T_test,outputps);

复制代码

6.ELM模型创建/训练：


$ k' s( n# K" N5 G8 j' b9 d) U0 @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);
   . [0 S+ U! k- ^  w' }
2. 
   9 z. k, D# ~! {8 S. T( j( l9 T
3. T_sim = mapminmax('reverse',tn_sim,outputps);

复制代码

10.结果评估：
8 Z& \0 ]/ {( X* [" j11.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'];
   # e) ^; d: g. ]% i\" h$ s
2. 3 ?5 M% d  c& B9 B* o5 j4 A! N8 l
   
3. E = mse(T_sim - T_test);
   % Y. z  [1 h! r, X& p
4. . L( K5 `  F\" j  o: T
   
5. N = length(T_test);
   ; ~+ s. Y' ~1 c1 y1 ?' r+ e2 P
6. 4 ?) z8 J- \3 _- y
   
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。
- n, D7 u, n5 U+ u15.在图标题中显示均方误差（MSE）和决定系数（R^2）。

1. figure(1)8 n& K- o- ?( Z! q
   
2. 4 i4 J4 d4 Z: f9 S7 O
   
3. plot(1:N,T_test,'r-*',1:N,T_sim,'b:o')5 u! {! L, w0 J/ {  C% }# }' O
   
4. ! E7 @9 Y* y0 v4 D: u
   
5. grid on6 q: i: U/ b* ]0 R- K  L
   
6. 1 ?; @5 g- ~6 W. n: y
   
7. legend('真实值','预测值'): E( I$ P, H5 p: u& Y$ E1 j8 `8 B
   
8. 
   . O. Y. L1 o7 Z. O- x' D5 `
9. xlabel('样本编号')& a( u5 a/ V$ s( b9 F' r
   
10. 
    3 A1 \- @* F* c9 K
11. ylabel('辛烷值')
    1 L1 M8 U  Z3 H4 a5 t) |\" d
12. ( ?: E: s- c8 j3 _: X  X( k
    
13. string = {'测试集辛烷值含量预测结果对比(ELM)';['(mse = ' num2str(E) ' R^2 = ' num2str(R2) ')']};5 J0 A6 e1 }; V# A. D
    
14. 6 r7 B9 M' g  a  y. i5 |
    
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。
  a; I( V& O+ \! S' ^6 B