matlab自带的SVM的参数设置,DE差分进化算法优化SVM参数找不到最优的参数集

快来打我* 2023-01-13 12:58 118阅读 0赞

\[color=darkgreen\]function \[bestc,bestg,test\_pre\]=my\_DE\_SVR(para,input\_train,output\_train,input\_test,output\_test)

% 参数向量 parameters \[n,N\_iteration,beta\_min,beta\_max,pCR\]

% n为种群规模，N\_iteration为迭代次数

% beta\_min 缩放因子下界 Lower Bound of Scaling Factor

% beta\_max=0.8; % 缩放因子上界 Upper Bound of Scaling Factor

% pCR 交叉概率 Crossover Probability

% 要求输入数据为列向量(矩阵)

%% 测试参数 %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%

% % 清空环境

% clc

% clear

% close all

% format compact

% para=\[30,200,0.2,0.8,0.2\];

% % 数据准备

% load Shanghai

% shanghai\_ori=num';

% clear num

% \[imfs\_num,cols\]=size(shanghai\_ori);

% train\_size=150;

% test\_size=cols-train\_size;

% tag=3; % 设定滞后期数

% train\_input=cell(1,imfs\_num); % 训练输入集

% test\_input=cell(1,imfs\_num); % 测试输入集

% train\_output=ones(imfs\_num,train\_size-tag); % 训练输出集

% test\_output=ones(imfs\_num,test\_size-tag); % 测试输出集

% for imfs\_index=1:imfs\_num

%     for tag\_index=1:tag

%         train\_input\{imfs\_index\}(tag\_index,:)=shanghai\_ori(imfs\_index,tag\_index:train\_size-tag-1+tag\_index);

%         train\_output(imfs\_index,:)=shanghai\_ori(imfs\_index,tag+1:train\_size);

%         test\_input\{imfs\_index\}(tag\_index,:)=shanghai\_ori(imfs\_index,train\_size+tag\_index:end-tag-1+tag\_index);

%         test\_output(imfs\_index,:)=shanghai\_ori(imfs\_index,train\_size+tag+1:end);

%     end

% end

% input\_train=\[train\_input\{1,1\}\]';

% output\_train=train\_output';

% input\_test=\[test\_input\{1,1\}\]';

% output\_test=test\_output';

%%% 测试参数 %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%

%% 数据归一化

\[input\_train,rule1\]=mapminmax(input\_train');

\[output\_train,rule2\]=mapminmax(output\_train');

input\_test=mapminmax('apply',input\_test',rule1);

output\_test=mapminmax('apply',output\_test',rule2);

input\_train=input\_train';

output\_train=output\_train';

input\_test=input\_test';

output\_test=output\_test';

%% 利用差分进化(DE)算法选择最佳的SVR参数

nPop=para(1); % 种群规模 Population Size

MaxIt=para(2); % 最大迭代次数Maximum Number of Iterations

nVar=2; % 自变量维数，此例需要优化两个参数c和g Number of Decision Variables

VarSize=\[1,nVar\]; % 决策变量矩阵大小 Decision Variables Matrix Size

beta\_min=para(3); % 缩放因子下界 Lower Bound of Scaling Factor

beta\_max=para(4); % 缩放因子上界 Upper Bound of Scaling Factor

pCR=para(5); %  交叉概率 Crossover Probability

lb=\[0.01,0.01\]; % 参数取值下界

ub=\[100,100\]; % 参数取值上界

%% 初始化 Initialization

empty\_individual.Position=\[\]; % 种群初始化

empty\_individual.Cost=\[\]; % 种群目标函数值初始化

BestSol.Cost=inf; % 最优值初始化

pop=repmat(empty\_individual,nPop,1); % 将保存种群信息的结构体扩展为结构体矩阵，行数等于种群大小

for i=1:nPop % 遍历每个个体

pop(i).Position=init\_individual(lb,ub,nVar,1); % 随机初始化个体

pop(i).Cost=fobj(pop(i).Position,input\_train,output\_train,input\_test,output\_test); % 计算个体目标函数值

if pop(i).Cost

BestSol=pop(i); % 更新最优值

end

BestCost=zeros(MaxIt,1); % 初始化迭代最优值

%% 主循环 DE Main Loop

for it=1:MaxIt

for i=1:nPop % 遍历每个个体

x=pop(i).Position; % 提取个体位置

% 随机选择三个个体以备变异使用

A=randperm(nPop); % 个体顺序重新随机排列

A(A==i)=\[\]; % 当前个体所排位置腾空(产生变异中间体时当前个体不参与)

a=A(1);

b=A(2);

c=A(3);

% 变异操作 Mutation

beta=unifrnd(beta\_min,beta\_max,VarSize); % 随机产生缩放因子

y=pop(a).Position+beta.\*(pop(b).Position-pop(c).Position); % 产生中间体

% 防止中间体越界

y=max(y,lb);

y=min(y,ub);

% 交叉操作 Crossover

z=zeros(size(x)); % 初始化一个新个体

j0=randi(\[1,numel(x)\]); % 产生一个伪随机数，即选取待交换维度编号？？？

for j=1:numel(x) % 遍历每个维度

if j==j0 || rand<=pCR % 如果当前维度是待交换维度或者随机概率小于交叉概率

z(j)=y(j); % 新个体当前维度值等于中间体对应维度值

else

z(j)=x(j); % 新个体当前维度值等于当前个体对应维度值

end

NewSol.Position=z; % 交叉操作之后得到新个体

NewSol.Cost=fobj(NewSol.Position,input\_train,output\_train,input\_test,output\_test); % 新个体目标函数值

if NewSol.Cost

pop(i)=NewSol; % 更新当前个体

if pop(i).Cost

BestSol=pop(i); % 更新最优个体

end

% 保存当前迭代最优个体函数值 Update Best Cost

BestCost(it)=BestSol.Cost;

end

bestc=BestSol.Position(1,1);

bestg=BestSol.Position(1,2);

%% 图示寻优过程

plot(BestCost);

xlabel('Iteration');

ylabel('Best Val');

grid on;

%% 利用回归预测分析最佳的参数进行SVM网络训练

cmd\_cs\_svr=\['-s 3 -t 2',' -c ',num2str(bestc),' -g ',num2str(bestg)\];

model\_cs\_svr=svmtrain(output\_train,input\_train,cmd\_cs\_svr); % SVM模型训练

%% SVM网络回归预测

\[output\_test\_pre,~\]=svmpredict(output\_test,input\_test,model\_cs\_svr); % SVM模型预测及其精度

test\_pre=mapminmax('reverse',output\_test\_pre',rule2);

test\_pre = test\_pre';\[/color\]

matlab自带的SVM的参数设置,DE差分进化算法优化SVM参数找不到最优的参数集

发表评论取消回复

还没有评论，来说两句吧...

相关阅读

相关自定义设置差分间距的lag参数大小 - R语言

相关 matlab 遗传算法参数优化,Matlab基于BP神经网络模型的遗传算法多参数优化程序

相关 matlab自带的SVM的参数设置,DE差分进化算法优化SVM参数找不到最优的参数集

相关 SVM（六）：带松弛变量的SVM数学模型

相关 sklearn.svm.SVC 参数说明

相关 Matlab plot 参数设置

相关用python3实现差分进化算法（DE）

相关 Python 参数校验的进化

相关差分进化算法（DE）的C++面向对象方法实现

相关 Flink SVM算法参数