分类预测 | Matlab实现GSWOA-KELM混合策略改进的鲸鱼优化算法优化核极限学习机的数据分类预测

本文主要是介绍分类预测 | Matlab实现GSWOA-KELM混合策略改进的鲸鱼优化算法优化核极限学习机的数据分类预测，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！

分类预测 | Matlab实现GSWOA-KELM混合策略改进的鲸鱼优化算法优化核极限学习机的数据分类预测

效果一览

基本介绍

GSWOA-KELM分类，可实现二分类和多分类
基于三种策略改进的鲸鱼优化算法（GSWOA)优化核极限学习机(KELM)的数据分类预测模型
GSWOA在收敛精度和速度上比基本的SSA,GWO,PSO,WOA,MPA,ABC算法要好的多Matlab代码，适合新手小白
核极限学习机KELM是基于极限学习机ELM并结合核函数所提出的改进算法，能够在保留 ELM 优点的基础上提高模型的预测性能。
通过改进鲸鱼算法优化KELM的两个参数，避免了人工选取参数的盲目性，有效提高预测精度。用的人还很少～
WOA改进点如下：
1.在鲸鱼位置更新公式中加入自适应权重，动态调节最优位置的影响力，改善算法收敛速度
2.使用变螺旋位置更新策略，动态调整螺旋的形状，提升算法全局搜寻能力
3.引入最优邻域扰动策略，避免算法陷入局部最优解，解决算法早熟现象。
直接替换数据即可用 适合新手小白～
附赠案例数据 可直接运行

程序设计

• 完整程序和数据资源私信博主回复Matlab实现GSWOA-KELM混合策略改进的鲸鱼优化算法优化核极限学习机的数据分类预测。

function Y = elmpredict(p_test, IW, B, LW, TF, TYPE)%%  计算隐层输出
Q = size(p_test, 2);
BiasMatrix = repmat(B, 1, Q);
tempH = IW * p_test + BiasMatrix;%%  选择激活函数
switch TFcase 'sig'H = 1 ./ (1 + exp(-tempH));case 'hardlim'H = hardlim(tempH);
end%%  计算输出
Y = (H' * LW)';%%  转化分类模式
if TYPE == 1temp_Y = zeros(size(Y));for i = 1:size(Y, 2)[~, index] = max(Y(:, i));temp_Y(index, i) = 1;endY = vec2ind(temp_Y); 
endend

参考资料

[1] https://blog.csdn.net/kjm13182345320/article/details/124864369
[2] https://blog.csdn.net/kjm13182345320/article/details/127896974?spm=1001.2014.3001.5502

这篇关于分类预测 | Matlab实现GSWOA-KELM混合策略改进的鲸鱼优化算法优化核极限学习机的数据分类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！

---