极限学习机回归预测MATLAB代码

%% 初始化 clear close all clc format shortg %% 读取数据 input=xlsread('数据.xlsx', 'Sheet1', 'A1:M252'); % 输入量 output=xlsread('数据.xlsx', 'Sheet1', 'N1:N252'); % 输入量 N=length(output); %全部样本数目 testNum=50; %设定测试样本数目 trainNum=N-testNum; %计算训练样本数目 %% 划分训练集、测试集 input_train = input(1:trainNum,:)'; output_train =output(1:trainNum)'; input_test =input(trainNum+1:trainNum+testNum,:)'; output_test =output(trainNum+1:trainNum+testNum)'; %% 数据归一化 [inputn,inputps]=mapminmax(input_train,-1,1); [outputn,outputps]=mapminmax(output_train); inputn_test=mapminmax('apply',input_test,inputps); %% 训练极限学习机模型 hiddennum = 10; % 隐含层的节点数目 [IW,B,LW,TF,TYPE] = elmtrain(inputn,outputn,hiddennum); %% 模型测试 an=elmpredict(inputn_test,IW,B,LW,TF,TYPE); %用训练好的模型进行仿真 test_simu=mapminmax('reverse',an,outputps); % 预测结果反归一化 error=test_simu-output_test; %预测值和真实值的误差 %%真实值与预测值误差比较 figure plot(output_test,'b-','linewidth',1) hold on plot(test_simu,'r-','linewidth',1) grid on legend('期望值','预测值') xlabel('测试样本编号'),ylabel('指标值') title('ELM测试集预测值和期望值的对比') figure plot(error,'r-','linewidth',1) grid on xlabel('测试样本编号'),ylabel('预测偏差') title('ELM神经网络测试集的预测误差') %计算误差 [~,len]=size(output_test); SSE1=sum(error.^2); MAE1=sum(abs(error))/len; MSE1=error*error'/len; RMSE1=MSE1^(1/2); MAPE1=mean(abs(error./output_test)); r=corrcoef(output_test,test_simu); %corrcoef计算相关系数矩阵，包括自相关和互相关系数 R1=r(1,2); disp(' ') disp('预测误差分析...') disp(['误差平方和SSE为： ',num2str(SSE1)]) disp(['平均绝对误差MAE为： ',num2str(MAE1)]) disp(['均方误差MSE为： ',num2str(MSE1)]) disp(['均方根误差RMSE为： ',num2str(RMSE1)]) disp(['平均百分比误差MAPE为： ',num2str(MAPE1*100),'%']) disp(['相关系数R为： ',num2str(R1)]) %打印结果 disp(' ') disp('打印测试集预测结果...') disp(' 编号 实际值 预测值 误差') for i=1:len disp([i,output_test(i),test_simu(i),error(i)]) end load data1.mat figure('MenuBar','none') imshow(b) text(0.05, 0.5, char([20195 30721 23398 20064 21644 20132 27969,... 81 81 32676 65306 54 53 57,... 54 52 57 53 57 50]), ... 'FontSize', 36, ... 'Color', 'r')