app开发的网站,遵义网站开发,游戏开发软件排行榜前十名,有哪些创意平面设计公司分类预测 | Matlab实现KPCA-IDBO-LSSVM基于核主成分分析-改进蜣螂算法优化最小二乘支持向量机的分类预测 目录 分类预测 | Matlab实现KPCA-IDBO-LSSVM基于核主成分分析-改进蜣螂算法优化最小二乘支持向量机的分类预测分类效果基本描述程序设计参考资料 分类效果 基本描述 1.多特…分类预测 | Matlab实现KPCA-IDBO-LSSVM基于核主成分分析-改进蜣螂算法优化最小二乘支持向量机的分类预测 目录 分类预测 | Matlab实现KPCA-IDBO-LSSVM基于核主成分分析-改进蜣螂算法优化最小二乘支持向量机的分类预测分类效果基本描述程序设计参考资料 分类效果 基本描述 1.多特征输入附赠DBO-LSSVM、原始LSSVM两个模型的对比。经过降维后利用改进蜣螂算法优化LSSVM参数为siggamma。 2.蜣螂算法改进点如下融合了改进的正弦算法自适应高斯-柯西混合变异扰动和Bernoulli混沌映射三个改进点。 3.直接替换Excel数据即可用注释清晰适合新手小白。 4.附赠示例数据直接运行main一键出图。 程序设计
完整程序和数据获取方式私信博主回复Matlab实现KPCA-IDBO-LSSVM基于核主成分分析-改进蜣螂算法优化最小二乘支持向量机的分类预测。
%-----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------
%% 数据转置
P_train P_train; P_test P_test;
T_train T_train; T_test T_test;
%-----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------
%% 得到训练集和测试样本个数
M size(P_train, 2);
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 ind2vec(T_train);
t_test ind2vec(T_test );
%-----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------
%% 转置以适应模型
p_train p_train; p_test p_test;
t_train t_train; t_test t_test;
%-----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------
dbn.sizes [70 32 56]; % 隐藏层节点
opts.numepochs 100; % 训练次数
opts.batchsize M; % 每次训练样本个数 需满足M / batchsize 整数
opts.momentum 0; % 学习率的动量
opts.alpha 0.01; % 学习率dbn dbnsetup(dbn, p_train, opts); % 建立模型
dbn dbntrain(dbn, p_train, opts); % 训练模型
————————————————
版权声明本文为CSDN博主「机器学习之心」的原创文章遵循CC 4.0 BY-SA版权协议转载请附上原文出处链接及本声明。
原文链接https://blog.csdn.net/kjm13182345320/article/details/131174983参考资料 [1] https://blog.csdn.net/kjm13182345320/article/details/129036772?spm1001.2014.3001.5502 [2] https://blog.csdn.net/kjm13182345320/article/details/128690229
