多维时序 | Matlab实现RIME-HKELM霜冰算法优化混合核极限学习机多变量时间序列预测

本文主要是介绍多维时序 | Matlab实现RIME-HKELM霜冰算法优化混合核极限学习机多变量时间序列预测，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

多维时序 | Matlab实现RIME-HKELM霜冰算法优化混合核极限学习机多变量时间序列预测

效果一览

基本介绍

1.Matlab实现RIME-HKELM霜冰算法优化混合核极限学习机多变量时间序列预测（完整源码和数据）
2.运行环境为Matlab2021b；
3.excel数据集，输入多个特征，输出单个变量，考虑历史特征的影响，多变量时间序列预测，main.m为主程序，运行即可,所有文件放在一个文件夹；
4.命令窗口输出R2、MAE、 MBE、MAPE、 RMSE多指标评价；

程序设计

• 完整源码和数据获取方式(资源出下载)：Matlab实现RIME-HKELM霜冰算法优化混合核极限学习机多变量时间序列预测。

%%  清空环境变量
warning off             % 关闭报警信息
close all               % 关闭开启的图窗
clear                   % 清空变量
clc                     % 清空命令行%%  导入数据
res =xlsread('data.xlsx','sheet1','A2:H104');%%  数据分析
num_size = 0.7;                              % 训练集占数据集比例num_train_s = round(num_size * num_samples); % 训练集样本个数
f_ = size(res, 2) - outdim;                  % 输入特征维度%%  划分训练集和测试集
P_train = res(1: num_train_s, 1: f_)';
T_train = res(1: num_train_s, f_ + 1: end)';
M = size(P_train, 2);P_test = res(num_train_s + 1: end, 1: f_)';
T_test = res(num_train_s + 1: end, f_ + 1: end)';
N = size(P_test, 2);f_ = size(P_train, 1);                  % 输入特征维度%%  数据归一化
[p_train, ps_input] = mapminmax(P_train, 0, 1);
p_test = mapminmax('apply', P_test, ps_input);[t_train, ps_output] = mapminmax(T_train, 0, 1);
t_test = mapminmax('apply', T_test, ps_output);%%  参数设置
%% 获取最优正则化系数 C 和核函数参数 S 
Kernel_type1 = 'rbf'; %核函数类型1
Kernel_type2 = 'poly'; %核函数类型2%% 适应度函数
fobj=@(X)fobj(X,p_train,t_train,p_test,t_test,Kernel_type1,Kernel_type2);%% 优化算法参数设置
pop=10;
Max_iter=20;
ub=[20 10^(3) 10^(3) 10 1];  %优化的参量分别为：正则化系数C，rbf核函数的核系数S(接下)
lb=[1 10^(-3) 10^(-3) 1 0];  %多项式核函数的两个核系数poly1和poly2，以及核权重系数w
dim=5;
%%  优化算法
[Best_score,Best_P,curve] = RIME(pop, Max_iter, lb, ub, dim, fobj);%% 训练模型
%% 重新训练并进行预测

参考资料

[1] https://blog.csdn.net/kjm13182345320/article/details/129215161
[2] https://blog.csdn.net/kjm13182345320/article/details/128105718

这篇关于多维时序 | Matlab实现RIME-HKELM霜冰算法优化混合核极限学习机多变量时间序列预测的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！

---