基于人工蜂群算法优化最小二乘支持向量机lssvm实现数据回归预测附matlab代码

✅作者简介：热爱科研的Matlab仿真开发者，修心和技术同步精进，matlab项目合作可私信。

🍎个人主页：Matlab科研工作室

🍊个人信条：格物致知。

更多Matlab仿真内容点击👇

智能优化算法  神经网络预测 雷达通信  无线传感器

信号处理 图像处理 路径规划 元胞自动机 无人机  电力系统

⛄ 内容介绍

针对传统的芹菜总黄酮含量测定 过程复杂,时间长的问题,提出一种基于人工蜂群算法(ABC)优化最小二乘支持向量机(LSSVM)的芹菜总黄酮提取量预测方法.首先对标准人工蜂群算法 进行改进,然后利用改进的人工蜂群算法对最小二乘支持向量机的核宽度和正规化参数进行寻优,最后对芹菜总黄酮的提取量进行预测.结果表明,该方法具有预测 精度高,性能稳定的特点,有利于实现芹菜总黄酮提取量的网络在线预估和优化控制.

⛄ 部分代码

function [    fitness]=fobj(pop,train_x,train_yy,type,kernel,proprecess,test_x,test_y,miny,maxy,train_y)

% 计算初始适应度

gam=pop(1);

sig2=pop(2);

model=initlssvm(train_x,train_yy,type,gam,sig2,kernel,proprecess);

model=trainlssvm(model);

%求出训练集和测试集的预测值

[train_predict_y,zt,model]=simlssvm(model,train_x);

[test_predict_y,zt,model]=simlssvm(model,test_x);

%预测数据反归一化

train_predict=postmnmx(train_predict_y ,miny,maxy);%预测输出

test_predict=postmnmx(test_predict_y ,miny,maxy); %测试集预测值

%计算均方差

trainmse=sum((train_predict-train_y).^2)/length(train_y);

testmse=sum((test_predict-test_y).^2)/length(test_y);

fitness=trainmse; %以测试集的预测值计算的均方差为适应度值

⛄ 运行结果

⛄ 参考文献

[1]张永康, 李春祥. 基于人工蜂群优化LSSVM的脉动风速预测方法:, CN105447510A[P]. 2016.

❤️ 关注我领取海量matlab电子书和数学建模资料

❤️部分理论引用网络文献，若有侵权联系博主删除