苹果/安卓/wp
积分 187, 距离下一级还需 73 积分
权限: 自定义头衔
道具: 彩虹炫, 涂鸦板, 雷达卡, 热点灯, 金钱卡, 显身卡, 匿名卡下一级可获得
权限: 签名中使用图片
购买后可立即获得
权限: 隐身
道具: 金钱卡, 彩虹炫, 雷达卡, 热点灯, 涂鸦板
本帖最后由 cwj1116 于
20:39 编辑
(472.48 KB, 售价: 15 个论坛币)
10:39:00 上传
售价: 15 个论坛币
里面有遗传算法、PSO粒子群算法、参数归一化以及参数优选等等程序。
载入中......
10:39:00 上传
售价: 10 个论坛币
my heart will go on!
楼主抢钱啊！！！
太贵了！！！
期待降价！！！
cwj1116 好贵啊，太狠心
抢钱啊！！！抢钱啊！！！
太不地道了！
有人用过楼主发的LS-SVMlab-GA.rar
吗？是不是比LS-SVM在训练组和测试组的准确率提高了呢？
这个价格……
是不是太贵啦
我已经下载了楼主的程序。楼主请把遗传算法优化LSSVM的在Matlab中命令贴出来，以便于我们测试运行结果。
无限扩大经管职场人脉圈！每天抽选10位免费名额，现在就扫& 论坛VIP& 贵宾会员& 可免费加入
加入我们,立即就学扫码下载「就学」app& Join us!& JoinLearn&
  |
  |
  |
  |
  |
  |
如有投资本站或合作意向，请联系（010-）；
邮箱：service@pinggu.org
投诉或不良信息处理：（010-）
京ICP证090565号
京公网安备号
论坛法律顾问：王进律师Least Squares Support Vector Machines-Coupled Map Lattice
海杂波混沌分形特性分析、建模及小目标检测--《哈尔滨工程大学》2009年博士论文
特性不同。 3.针对海杂波是一种时空现象和海杂波非线性非平稳的特点,提出一种基于最小二乘支持向量机-耦合映像格子(LSSVM-CML, Least Squares Support Vector Machines-Coupled Map Lattice)的海杂波时空预测方法,实验表明该方法的预测效果优于基于加权一阶局域法、归一化RBF神经网络、Volt
基于1个网页-
耦合映像格子
海杂波混沌分形特性分析、建模及小目标检测--《哈尔滨工程大学》2009年博士论文
特性不同。 3.针对海杂波是一种时空现象和海杂波非线性非平稳的特点,提出一种基于最小二乘支持向量机-耦合映像格子(LSSVM-CML, Least Squares Support Vector Machines-Coupled Map Lattice)的海杂波时空预测方法,实验表明该方法的预测效果优于基于加权一阶局域法、归一化RBF神经网络、Volt
基于1个网页-
最小二乘支持向量机
海杂波混沌分形特性分析、建模及小目标检测--《哈尔滨工程大学》2009年博士论文
特性不同。 3.针对海杂波是一种时空现象和海杂波非线性非平稳的特点,提出一种基于最小二乘支持向量机-耦合映像格子(LSSVM-CML, Least Squares Support Vector Machines-Coupled Map Lattice)的海杂波时空预测方法,实验表明该方法的预测效果优于基于加权一阶局域法、归一化RBF神经网络、Volt
基于1个网页-
最小二乘支持向量机-耦合映像格子
$firstVoiceSent
- 来自原声例句
请问您想要如何调整此模块？
感谢您的反馈，我们会尽快进行适当修改！
请问您想要如何调整此模块？
感谢您的反馈，我们会尽快进行适当修改！查看: 162|回复: 0|关注: 0
LSSVM出现错误
<h1 style="color:# 麦片财富积分
新手, 积分 5, 距离下一级还需 45 积分
我在论坛上找的LSSVM程序，但他们的都运行成功，我的却出现错误，为什么呢？
I806R70[]E_SJ)`V$F2TBO9.png (8.83 KB, 下载次数: 0)
10:11 上传
train = [ 0.2 0.2 113.04; 0.2 0.2 226.08; 0.2 0.2 339.12; 0.2 0.2 452.16;
0.2 0.2 565.2; 0.2 0.2 678.24; 0.2 0.2 791.28; 0.2 0.2 904.32;
0.2 0.05 828.96; 0.2 0.15 828.96; 0.2 0.1 828.6 ; 0.2 0.2 828.96;
0.2 0.25 828.96; 0.2 0.3 828.96; 0.2 0.35 828.96; 0.2 0.4 828.96;
0.2 0.45 828.96];
train_out = [5.387 2.824 3.414 3.051 2.515 3.312 3.084 4.137 1.519 1.284 2.413 2.012 1.815 2.512 2.914 3.224 5.671];
test = [ 0.2 0.2 169.56; 0.2 0.2 282.6; 0.2 0.2 395.64; 0.2 0.2 508.68;
0.2 0.2 621.72; 0.2 0.2 734.76;
0.2 0.2 847.8];
test_out = [3.6 3.2 2. 3.0887];
[train_x,trps]=mapminmax(train',0,1)
[test_x]=mapminmax('apply',test',trps)
[train_y,tr1ps]=mapminmax(train_out',0,1)
train_x=train_x'
train_y=train_y'
test_x=test_x'
bestmse=0.1
%%建立lssvm模型
kernel = 'RBF_kernel'
proprecess='proprecess'
model=initlssvm(train_x,train_y,type,gam,sig2,kernel,proprecess)
model=trainlssvm(model)
%%求出训练集和测试集的预测值
[train_predict_y,zt,model]=simlssvm(model,train_x)
[test_predict_y,zt,model]=simlssvm(model,test_x)
%%预测数据反归一化
train_predict=mapminmax('reverse',train_predict_y,tr1ps)
test_predict=mapminmax('reverse',test_predict_y,tr1ps)
%%计算均方差
trainmse=sum((train_predict-train_result).^2)/length(train_result)
testmse=sum((test_predict-test_result).^2)/length(test_result)
[img]file:///C:\Users\Administrator\Documents\Tencent Files\\Image\C2C\I806R70[]E_SJ)`V$F2TBO9.png[/img]
站长推荐 /2
Powered by查看: 23692|回复: 125|关注: 0
pso优化lssvm工具包——完成续
<h1 style="color:#7 麦片财富积分
入门, 积分 127, 距离下一级还需 373 积分
关注者： 7
由于上贴超过再编辑的时间了，传不了附件上来，现在新开一贴，传上代码。
其中包括两个函数个两个测试模板
QQ截图未命名.jpg (10.09 KB, 下载次数: 2450)
17:34 上传
psoLSSVMcgForClass.m代码如下
function [bestCVaccuarcy,bestc,bestg,pso_option] = psoLSSVMcgForClass(trainset,trainset_label,Yc,pso_option)
% psoLSSVMcgForClass
% by Tangxiaobiao&&
% Contact QQ
fttp:.cn/lssvm
%
%% 参数初始化
if nargin == 3
& & pso_option = struct('c1',1.5,'c2',1.7,'maxgen',200,'sizepop',20, ...
& && &&&'k',0.6,'wV',1,'wP',1,'v',5, ...
& && &&&'popcmax',10^2,'popcmin',10^(-1),'popgmax',10^3,'popgmin',10^(-2));
end
% c1:初始为1.5,pso参数局部搜索能力
% c2:初始为1.7,pso参数全局搜索能力
% maxgen:初始为200,最大进化数量
% sizepop:初始为20,种群最大数量
% k:初始为0.6(k belongs to [0.1,1.0]),速率和x的关系(V = kX)
% wV:初始为1(wV best belongs to [0.8,1.2]),速率更新公式中速度前面的弹性系数
% wP:初始为1,种群更新公式中速度前面的弹性系数
% v:初始为3,SVM Cross Validation参数
% popcmax:初始为100,SVM 参数c的变化的最大值.
% popcmin:初始为0.1,SVM 参数c的变化的最小值.
% popgmax:初始为1000,SVM 参数g的变化的最大值.
% popgmin:初始为0.01,SVM 参数c的变化的最小值.
Yc=Yc;
Vcmax = pso_option.k*pso_option.
Vcmin = -V
Vgmax = pso_option.k*pso_option.
Vgmin = -V
eps = 10^(-3);
[Yc,codebook,old_codebook] = code(trainset_label,'code_MOC');
%% 产生初始粒子和速度
for i=1:pso_option.sizepop
& &
& & % 随机产生种群和速度
& & pop(i,1) = (pso_option.popcmax-pso_option.popcmin)*rand+pso_option.
& & pop(i,2) = (pso_option.popgmax-pso_option.popgmin)*rand+pso_option.
& & V(i,1)=Vcmax*rands(1);
& & V(i,2)=Vgmax*rands(1);
& &
& & % 计算初始适应度
& &&&gam=pop(i,1);sig2=pop(i,2);
& &&&model=initlssvm(trainset,Yc,'c',gam,sig2,'RBF_kernel');
& &&&model=trainlssvm(model);
& &&&Yd0=simlssvm(model,trainset);
& &&&predict_label = code(Yd0,old_codebook,[],codebook);%解码分类结果
& &&&testnum=size(trainset_label,1);
& &&&right=sum(trainset_label==predict_label);
& &&&n = sum(sum(trainset_label~=predict_label));
& &&&fitness(i) = (1-n/prod(size(trainset_label)))*100;
& &&&fitness(i) = -fitness(i);
end
% 找极值和极值点
[global_fitness bestindex]=min(fitness); % 全局极值
local_fitness=& &% 个体极值初始化
global_x=pop(bestindex,:);& &% 全局极值点
local_x=& & % 个体极值点初始化
% 每一代种群的平均适应度
avgfitness_gen = zeros(1,pso_option.maxgen);
gamma=zeros(1,pso_option.maxgen*pso_option.sizepop);sigma2=zeros(1,pso_option.maxgen*pso_option.sizepop);
%% 迭代寻优
for i=1:pso_option.maxgen
& &
& & for j=1:pso_option.sizepop
& && &&&
& && &&&%速度更新
& && &&&V(j,:) = pso_option.wV*V(j,:) + pso_option.c1*rand*(local_x(j,:) - pop(j,:)) + pso_option.c2*rand*(global_x - pop(j,:));
& && &&&if V(j,1) & Vcmax
& && && && &V(j,1) = V
& && &&&end
& && &&&if V(j,1) & Vcmin
& && && && &V(j,1) = V
& && &&&end
& && &&&if V(j,2) & Vgmax
& && && && &V(j,2) = V
& && &&&end
& && &&&if V(j,2) & Vgmin
& && && && &V(j,2) = V
& && &&&end
& && &&&
& && &&&%种群更新
& && &&&pop(j,:)=pop(j,:) + pso_option.wP*V(j,:);
& && &&&if pop(j,1) & pso_option.popcmax
& && && && &pop(j,1) = pso_option.
& && &&&end
& && &&&if pop(j,1) & pso_option.popcmin
& && && && &pop(j,1) = pso_option.
& && &&&end
& && &&&if pop(j,2) & pso_option.popgmax
& && && && &pop(j,2) = pso_option.
& && &&&end
& && &&&if pop(j,2) & pso_option.popgmin
& && && && &pop(j,2) = pso_option.
& && &&&end
& && &&&
& && &&&% 自适应粒子变异
& && &&&if rand&0.5
& && && && &k=ceil(2*rand);
& && && && &if k == 1
& && && && && & pop(j,k) = (20-1)*rand+1;
& && && && &end
& && && && &if k == 2
& && && && && & pop(j,k) = (pso_option.popgmax-pso_option.popgmin)*rand + pso_option.
& && && && &end
& && &&&end
& && &&&
& && &&&%适应度值
& &&&gam=pop(j,1);sig2=pop(j,2);
& &&&model=initlssvm(trainset,Yc,'c',gam,sig2,'RBF_kernel');
& &&&model=trainlssvm(model);
& &&&Yd0=simlssvm(model,trainset);
& &&&predict_label = code(Yd0,old_codebook,[],codebook);%解码分类结果
& &&&testnum=size(trainset_label,1);
& &&&right=sum(trainset_label==predict_label);
& &&&n = sum(sum(trainset_label~=predict_label));
& &&&fitness(j) = (1-n/prod(size(trainset_label)))*100;
& &&&fitness(j) = -fitness(j);
& &&&gam=pop(j,1);sig2=pop(j,2);
& &&&model=initlssvm(trainset,Yc,'c',gam,sig2,'RBF_kernel');
& &&&model=trainlssvm(model);
& &&&
& && &&&if fitness(j) &= -65
& && && && &
& && &&&end
& && &&&
& && &&&%个体最优更新
& && &&&if fitness(j) & local_fitness(j)
& && && && &local_x(j,:) = pop(j,:);
& && && && &local_fitness(j) = fitness(j);
& && &&&end
& && &&&
& && &&&if abs( fitness(j)-local_fitness(j) )&=eps && pop(j,1) & local_x(j,1)
& && && && &local_x(j,:) = pop(j,:);
& && && && &local_fitness(j) = fitness(j);
& && &&&end
& && &&&
& && &&&%群体最优更新
& && &&&if fitness(j) & global_fitness
& && && && &global_x = pop(j,:);
& && && && &global_fitness = fitness(j);
& && &&&end
& && &&&
& && &&&if abs( fitness(j)-global_fitness )&=eps && pop(j,1) & global_x(1)
& && && && &global_x = pop(j,:);
& && && && &global_fitness = fitness(j);
& && &&&end
& && &&&
& & gamma(1,i*j)=pop(j,1)';
& & sigma2(1,i*j)=pop(j,2)';
& & end
& &
& & fit_gen(i) = global_
& & avgfitness_gen(i) = sum(fitness)/pso_option.
end
% 绘制粒子群寻优轨迹图2
& &
& & %drawingvariable=[];
& & drawingvariable(1,:)=
& & drawingvariable(2,:)=sigma2;
& & res=zeros(2,pso_option.maxgen,pso_option.sizepop);
for i=1:pso_option.sizepop
& &&&tmp=i:pso_option.sizepop:pso_option.maxgen*pso_option.%粒子列号
& &&&res(:,:,i)=drawingvariable(:,tmp);%层数就是粒子序号
& &&&plot(res(1,:,i),res(2,:,i),':.');
& &&&
& & xlabel('\gamma','FontSize',10);
& & ylabel('\sigma^2','FontSize',10);
%& &axis([popcmin,popcmax,popgmin,popgmax]);
& & title('PSO trajectory curve','FontSize',12);%PSO trajectory curve
end
%% 结果分析
plot(-fit_gen,'r*-','LineWidth',1.5);
plot(-avgfitness_gen,'o-','LineWidth',1.5);
legend('最佳适应度','平均适应度',3);
xlabel('进化代数','FontSize',10);
ylabel('适应度','FontSize',10);
% print -dtiff -r600 pso
bestc = global_x(1);
bestg = global_x(2);
bestCVaccuarcy = -fit_gen(pso_option.maxgen);
line1 = 'PSO optimize LSSVM-Classification model';
line2 = ['(参数c1=',num2str(pso_option.c1), ...
& & ',c2=',num2str(pso_option.c2),',终止代数=', ...
& & num2str(pso_option.maxgen),',种群数量pop=', ...
& & num2str(pso_option.sizepop),')'];
line3 = ['Best c=',num2str(bestc),' g=',num2str(bestg), ...
& & ' PSO-cvaccuracy=',num2str(bestCVaccuarcy),'%'];
title({line1;line2;line3},'FontSize',10);
%
%
% plot(log2(pop(:,1)),log2(pop(:,2)),'--b.');
% xlabel('C','FontSize',8);
% ylabel('核参数g','FontSize',8);
% title('粒子运行轨迹图','FontSize',10);
分类测试模板代码
%% PSO-LSSVM分类测试程序代码模板
&&%by tangxb
&&%e-mail: QQ:
&&%.cn/lssvm
%% 清空变量空间
&&close all
&&format compact
%% 程序代码计时开始
&&
%% 数据导入
X0=xlsread('C:\Documents and Settings\Administrator\桌面\trainset.xls');
Y0=xlsread('C:\Documents and Settings\Administrator\桌面\tt.xls');
[m,n]=size(X0);[m1,n1]=size(Y0);
trainset=X0(:,1:n-1);
trainset_label=X0(:,n);
testset=Y0(:,1:n1-1);
testset_label=Y0(:,n1);
%% 样本集各维度可视化
featuredisplay(trainset,trainset_label,testset,testset_label,1);
%% 计数样本类别数
labelnum=countlabelnum(testset_label);
%%&&原始数据可视化
boxplot(trainset,'orientation','horizontal');
title('Visualization for original data');
%% 数据预处理
%归一化处理
&&[trainset,testset,ps] = scaleForLSSVM(trainset,testset,0,1);
%% 样本集归一化后各维度可视化
%&&featuredisplay(trainset,trainset_label,testset,testset_label,1);
%% 降维处理
&&%1.pca处理
& &[trainset,testset] = pcaForLSSVM(trainset,testset);
%% LS参数设置
type = 'c';
kernel_type = 'RBF_kernel';
codefct = 'code_MOC';
preprocess = 'original';%'preprocess'或者'original'
isig2=0.1;
% %将“多类”转换成“两类”的编码方案
% 1. Minimum Output Coding (code_MOC)
% 2. Error Correcting Output Code (code_ECOC)
% 3. One versus All Coding (code_OneVsAll)
% 4. One Versus One Coding (code_OneVsOne)
[Yc,codebook,old_codebook] = code(trainset_label,codefct);
%% PSO验证优化参数
[bestCVaccuarcy,bestc,bestg,pso_option] = psoLSSVMcgForClass(trainset,trainset_label,Yc);
% 训练生成模型
[alpha,b]=trainlssvm({trainset,Yc,type,bestc,bestg,kernel_type,preprocess});
%编码分类结果
Yd0 = simlssvm({trainset,Yc,type,bestc,bestg,kernel_type,preprocess},{alpha,b},testset);
predict_label = code(Yd0,old_codebook,[],codebook);%解码分类结果
%% ROC曲线
plotLSSVMroc(testset_label,predict_label,labelnum);
%% 分类效果可视化、正确率
[rightpercent,testnum,errornum,errorindex]=classmeasures(testset_label,predict_label,bestc,bestg);
%% 程序运行计时
toc
复制代码
其余两个类似，需要的联系。
感谢其中有些代码的原创，谢谢！
<h1 style="color:# 麦片财富积分
大侠。。。
:handshake 大侠好哦！我很想参考一下你的研究成果！希望能发给我一份！我的邮箱：
万分感谢！:'(
<h1 style="color:# 麦片财富积分
我的qq：希望大侠能加我！
<h1 style="color:#7 麦片财富积分
关注者： 7
回复 2# zds2000464 的帖子
我做了一些初步的尝试，发在了，这个地址了，你去看看。
<h1 style="color:# 麦片财富积分
关注者： 1
大侠，小妹邮箱是，方便的话给我传一份，qq是，希望大侠能加我
<h1 style="color:#7 麦片财富积分
关注者： 7
回复 5# 小静 的帖子
不需要我发给你，你直接复制下来放在matlab中就行了。
呵呵，希望讨论
<h1 style="color:# 麦片财富积分
:hug:&&大侠好哦！我很想参考一下你的研究成果！希望能发给我一份！我的邮箱：
万分感谢！:
<h1 style="color:# 麦片财富积分
非常感谢您的奉献。希望能发给我一份！我的邮箱： 谢谢
<h1 style="color:# 麦片财富积分
您好，我根据您提供的代码尝试改了一下pso对回归寻优的，但是做出的结果并不理想，有时还会出错，您能不能发一份psoLSSVMcgForRegress.m给我呢？万分感谢！我的邮箱：
<h1 style="color:# 麦片财富积分
非常感谢您的分享Gang.
站长推荐 /2
Powered by基于分阶段的LSSVM发酵过程建模.pdf -max上传文档投稿赚钱-文档C2C交易模式-100%分成比例文档分享网
基于分阶段的LSSVM发酵过程建模.pdf
文档名称：基于分阶段的LSSVM发酵过程建模.pdf
格式：pdf&&&大小：6.73MB&&&总页数：66
可免费阅读页数：66页
下载源文档需要：22元人民币
请务必先预览看看是否存在文不对题等情况，预览与实际下载的一致，本站不支持退款。
