分类预测 | Matlab基于GWO-RBF灰狼算法优化径向基神经网络的分类预测

分类预测 | Matlab基于GWO-RBF灰狼算法优化径向基神经网络的分类预测

分类效果

基本介绍

Matlab基于GWO-RBF灰狼算法优化径向基神经网络的分类预测。基于灰狼算法(GWO)优化径向基神经网络(GWO-RBF)的分类预测。
matlab代码，优化参数为扩散速度，采用交叉验证。多特征输入单输出的二分类及多分类模型。程序内注释详细，直接替换数据就可以用。程序语言为matlab。程序可出分类效果图，迭代优化图，混淆矩阵图。

程序设计

• 完整程序和数据下载方式1(资源处直接下载)：Matlab基于GWO-RBF灰狼算法优化径向基神经网络的分类预测
• 完整程序和数据下载方式2(订阅《智能学习》专栏，同时获取《智能学习》专栏收录程序3份，数据订阅后私信我获取)：Matlab基于GWO-RBF灰狼算法优化径向基神经网络的分类预测

%%  参数优化
[Best_score,Best_pos,curve]=GWO(pop,Max_iter,lb,ub,dim,fobj); %开始优化
    
%%  创建网络
rbf_spread = Best_pos;                           % 径向基函数的扩展速度
net = newrbe(p_train, t_train, rbf_spread);

%%  仿真测试
t_sim1 = sim(net, p_train);
t_sim2 = sim(net, p_test );

%%  数据反归一化
T_sim1 = vec2ind(t_sim1);
T_sim2 = vec2ind(t_sim2);

%%  性能评价
error1 = sum((T_sim1 == T_train)) / M * 100 ;
error2 = sum((T_sim2 == T_test )) / N * 100 ;

%%  网络结构
view(net)
%% 迭代
figure
plot(1 : length(curve), curve,'linewidth',1.5);
title('GWO-RBF', 'FontSize', 10);
xlabel('迭代次数', 'FontSize', 10);
ylabel('适应度值', 'FontSize', 10);
grid off
%%  绘图
figure
plot(1: M, T_train, 'r-*', 1: M, T_sim1, 'b-o', 'LineWidth', 1)
legend('真实值', 'GWO-RBF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)
grid

figure
plot(1: N, T_test, 'r-*', 1: N, T_sim2, 'b-o', 'LineWidth', 1)
legend('真实值', 'GWO-RBF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)
grid

%%  混淆矩阵
if flag_conusion == 1

    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';
end
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62

参考资料

[1] https://blog.csdn.net/kjm13182345320/article/details/128440985?spm=1001.2014.3001.5502
[2] https://blog.csdn.net/kjm13182345320/article/details/128368295?spm=1001.2014.3001.5502