【预测模型】基于粒子群算法优化ElM神经网络实现分类matlab代码

迈不过友情╰ 2022-08-28 00:42 195阅读 0赞

## 【预测模型】基于粒子群算法优化ElM神经网络实现分类matlab代码 ##

## 1 简介 ##

粒子群算法是一种启发式优化算法。粒子群算法是将优化问题的解比作一个粒子，粒子具有初始速度和位置以及一个适应值。粒子的速度能够确定其移动的方向和距离，粒子的适应值是由算法的适应度函数计算得出。粒子通过比较适应值和极值来不断更新自己的速度和位置本文将极限学习机的输入层与隐含层神经元的连接权值和隐含层神经元阈值作为粒子群算法中的粒子进行 优 化。因 均 方 根 误 差（Ｒｏｏｔｍｅａｎｓｑｕａｒｅｅｒｒｏｒ，ＲＭＳＥ）的作用是用来衡量观测值和真实值之间的偏差，因此以 ＲＭＳＥ作为适应度函数。具体优化步骤如下。

（１）将训练样本作为输入样本和期望输出样本输入到模型中。

（２）设定 ＥＬＭ 的初始参数，其中包括隐含层神经元个数，激活函数等参数。

（３）将权值和阈值作为粒子带入到粒子群算法中，并设置相应参数，如学习因子、迭代次数等。

（４）将均 方 根 误 差 ＲＭＳＥ 作 为 适 应 度 函 数，计算每一个粒 子 的 适 应 度 值。因 ＲＭＳＥ 为 越 小 越 优型函数，所以选取满足条件下 ＲＭＳＥ 最小的值作为最优粒子，并输出最优的粒子。输出的粒子对应最优的权值和阈值。

（５）将 输 出 的 权 值 和 阈 值 带 入 ＥＬＭ 中，完 成优化。基于 ＰＳＯ 算法优化 ＥＬＭ 的技术流程见图３。

![img][]

## 2 部分代码 ##

% function [time, Et]=ANFISELMELM(adaptive_mode)
    
    tic;
    clc;
    clearvars -except adaptive_mode;
    close all;
    adaptive_mode = 'none';
    
    % load dataset
    data = csvread('iris.csv');
    input_data = data(:, 1:end-1);
    output_data = data(:, end);
    
    % Parameter initialization
    [center,U] = fcm(input_data, 3, [2 100 1e-6]); %center = center cluster, U = membership level
    [total_examples, total_features] = size(input_data);
    class = 3; % [Changeable]
    epoch = 0;
    epochmax = 400; % [Changeable]
    %Et = zeros(epochmax, 1);
    [Yy, Ii] = max(U); % Yy = max value between both membership function, Ii = the class corresponding to the max value
    
    % Population initialization
    pop_size = 10;
    population = zeros(pop_size, 3, class, total_features); % parameter: population size * 6 * total classes * total features
    velocity = zeros(pop_size, 3, class, total_features); % velocity matrix of an iteration
    
    c1 = 1.2;
    c2 = 1.2;
    original_c1 = c1;
    original_c2 = c2;
    r1 = 0.4;
    r2 = 0.6;
    max_c1c2 = 2;
    
    % adaptive c1 c2
    % adaptive_mode = 'none';
    % class(adaptive_mode)
    iteration_tolerance = 50;
    iteration_counter = 0;
    change_tolerance = 10;
    is_first_on = 1;
    is_trapped = 0;
    %out_success = 0;
    for particle=1:pop_size
       a = zeros(class, total_features);
       b = repmat(2, class, total_features);
       c = zeros(class, total_features);
    
       for k =1:class
           for i = 1:total_features % looping for all features
               % premise parameter: a
               aTemp = (max(input_data(:, i))-min(input_data(:, i)))/(2*sum(Ii' == k)-2);
               aLower = aTemp*0.5;
               aUpper = aTemp*1.5;
               a(k, i) = (aUpper-aLower).*rand()+aLower;
    
               %premise parameter: c
               dcc = (2.1-1.9).*rand()+1.9;
               cLower = center(k,total_features)-dcc/2;
               cUpper = center(k,total_features)+dcc/2;
               c(k,i) = (cUpper-cLower).*rand()+cLower;
           end
     
       
       % calculate fitness value and update pBest
       for i=1:pop_size
           particle_position = squeeze(population(i, :, :, :));
           e = get_fitness(particle_position, class, input_data, output_data);
           if e < pBest_fitness(i)
               pBest_fitness(i) = e;
               pBest_position(i, :, :, :) = particle_position;
           end
       end
       
       % find gBest
      [gBest_fitness, idx] = min(pBest_fitness);
       gBest_position = squeeze(pBest_position(idx, :, :, :));
       
       Et(epoch) = gBest_fitness;
       
       % Adaptive c1 and c2
       if strcmpi('none', adaptive_mode) == 0
           if (epoch > 1) && (Et(epoch) == Et(epoch-1))
               iteration_counter = iteration_counter + 1;
           else
               iteration_counter = 0;
               c1 = original_c1;
               c2 = original_c2;
    %             if is_trapped == 1
    %                 out_success = out_success + 1;
    %                 is_trapped = 0;
    %             end
           end
    
           if iteration_counter > iteration_tolerance
    %             is_trapped = 1;
               if is_first_on == 1
                   iteration_left_since_on = (epochmax - epoch) - change_tolerance;
                   epoch_when_on = epoch;
                   is_first_on = 0;
               end
               curr_pos = (epoch-epoch_when_on);
               if curr_pos <= iteration_left_since_on
                   if strcmpi('c1', adaptive_mode) == 1
                       c1 = original_c1 + (max_c1c2 - original_c1)/iteration_left_since_on*(curr_pos);
                       %fprintf('iter %d - %d\n', epoch, c1)
                   elseif strcmpi('c2', adaptive_mode) == 1
                       c2 = original_c2 + (max_c1c2 - original_c2)/iteration_left_since_on*(curr_pos);
                       %fprintf('iter %d - %d\n', epoch, c2)
                   elseif strcmpi('c1c2', adaptive_mode) == 1
                       c1 = original_c1 + (max_c1c2 - original_c1)/iteration_left_since_on*(curr_pos);
                       c2 = original_c2 + (max_c1c2 - original_c2)/iteration_left_since_on*(curr_pos);
                   end
               end
           end
       end
       
       % Draw the SSE plot
       plot(1:epoch, Et);
       title(['Epoch ' int2str(epoch) ' -> MSE = ' num2str(Et(epoch))]);
       grid
       pause(0.001);
    end
    
    %[out output out-output]
    % ----------------------------------------------------------------
    time = toc;

## 3 仿真结果 ##

![img][img 1]

## 4 参考文献 ##

\[1\]陈晓青. 改进PSO算法与ELM在基因数据分类中的应用. Diss. 中国计量大学, 2019.

![图片][f917dc410c8be9e1097722cce1906f5f.png]

[img]: /images/20220828/ca37fc631bca4b79b41b54cb97cd6445.png
[img 1]: /images/20220828/6b6c60f4c6ff4174a24042e7d96ead34.png
[f917dc410c8be9e1097722cce1906f5f.png]: /images/20220828/0cf8f970002c44c99655e851c222de72.png