分类预测|MFO-LSSVM飞蛾扑火算法优化最小二乘支持向量机多特征分类预测Matlab实现

分类预测 | MFO-LSSVM飞蛾扑火算法优化最小二乘支持向量机多特征分类预测Matlab实现

目录 分类预测 | MFO-LSSVM飞蛾扑火算法优化最小二乘支持向量机多特征分类预测Matlab实现分类效果基本介绍程序设计参考资料

分类效果

基本介绍

1.Matlab实现MFO-LSSVM飞蛾扑火算法优化最小二乘支持向量机多特征分类预测，运行环境Matlab2018b及以上；

2.输入12个特征，输出分4类，可视化展示分类准确率，可在下载区获取数据和程序内容。

3.算法优化LSSVM参数为：sig，gamma。

4.excel数据集，main为主程序，其他为函数文件，无需运行，分类效果如下：

注：程序和数据放在一个文件夹。

程序设计 完整程序和数据获取方式资源处直接下载MFO-LSSVM飞蛾扑火算法优化最小二乘支持向量机多特征分类预测Matlab实现（完整源码和数据）。 %% 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('数据集.xlsx'); %% 划分训练集和测试集% P_train = res(1: 250, 1: 12)'; T_train = res(1: 250, 13)'; M = size(P_train, 2); P_test = res(251: end, 1: 12)'; T_test = res(251: end, 13)'; N = size(P_test, 2); %% 数据归一化 [p_train, ps_input] = mapminmax(P_train,0,1); p_test = mapminmax('apply',P_test,ps_input); t_train = T_train; t_test = T_test; %% LS参数设置 type = 'c'; % 模型类型 分类 kernel_type = 'RBF_kernel'; % 线性核函数 codefct = 'code_OneVsOne'; % 一对一编码分类 fun = @getObjValue; % 目标函数 dim = 2; % 优化参数个数 ub = [300, 300]; % 优化参数目标上限 lb = [1, 1]; % 优化参数目标下限 pop = 8; % 数量 Max_iteration = 20; % 最大迭代次数 c = Best_pos(1); g = Best_pos(2); %% 编码 [t_train,codebook,old_codebook] = code(t_train,codefct); %% 建立模型 model = initlssvm(p_train,t_train,type,c,g,kernel_type,codefct); %SSA %% 训练模型 model = trainlssvm(model); %% 测试模型 t_sim1 = simlssvm(model,p_train); t_sim2 = simlssvm(model,p_test); T_sim1 = T_sim1(index_1); T_sim2 = T_sim2(index_2); %% 性能评价 error1 = sum((T_sim1' == T_train))/M * 100 ; error2 = sum((T_sim2' == T_test))/N * 100 ; %% 优化曲线 figure plot(curve, 'linewidth',1.5); title('-LSSVM') xlabel('The number of iterations') ylabel('Fitness') grid on; %% 绘图 figure plot(1: M, T_train, 'r-*', 1: M, T_sim1, 'b-o', 'LineWidth', 1) legend('真实值', '-LSSVM预测值') xlabel('预测样本') ylabel('预测结果') string = {'训练集预测结果对比'; ['准确率=' num2str(error1) '%']}; title(string) xlim([1, M]) grid figure plot(1: N, T_test, 'r-*', 1: N, T_sim2, 'b-o', 'LineWidth', 1) legend('真实值', '-LSSVM预测值') xlabel('预测样本') ylabel('预测结果') string = {'测试集预测结果对比'; ['准确率=' num2str(error2) '%']}; title(string) xlim([1, N]) grid %% 混淆矩阵 figure cm = confusionchart(T_train, T_sim1); cm.Title = 'Confusion Matrix for Train Data'; cm.ColumnSummary = 'column-normalized'; cm.RowSummary = 'row-normalized'; figure cm = confusionchart(T_test, T_sim2); cm.Title = 'Confusion Matrix for Test Data'; cm.ColumnSummary = 'column-normalized'; cm.RowSummary = 'row-normalized'; 参考资料

[1] http://t.csdn /pCWSp [2] download.csdn.net/download/kjm13182345320/87568090?spm=1001.2014.3001.5501 [3] blog.csdn.net/kjm13182345320/article/details/129433463?spm=1001.2014.3001.5501