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 TF
    case '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 == 1
    temp_Y = zeros(size(Y));
    for i = 1:size(Y, 2)
        [~, index] = max(Y(:, i));
        temp_Y(index, i) = 1;
    end
    Y = vec2ind(temp_Y); 
end

end

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