回归预测 | Matlab实现GWO-GPR灰狼算法优化高斯过程回归多变量回归预测

预测效果

基本介绍

Matlab实现GWO-GPR灰狼算法优化高斯过程回归多变量回归预测
1.Matlab实现GWO-GPR灰狼算法优化高斯过程回归多变量回归预测（完整源码和数据)
2.输入多个特征，输出单个变量，多输入单输出回归预测；
3.多指标评价，评价指标包括：R2、MAE、MSE、RMSE等，代码质量极高；
4.粒子群算法优化参数为：优化核函数超参数 sigma，标准差，初始噪声标准差；
5.excel数据，方便替换，运行环境2018及以上,可在下载区获取数据和程序内容。

程序设计

• 完整程序和数据获取方式(资源处下载):Matlab实现GWO-GPR灰狼算法优化高斯过程回归多变量回归预测

%-----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------
%%  清空环境变量
warning off             % 关闭报警信息
close all               % 关闭开启的图窗
clear                   % 清空变量
clc                     % 清空命令行
% restoredefaultpath
%%  导入数据
P_train = xlsread('data','training set','B2：G191')';
T_train= xlsread('data','training set','H2：H191')';
% 测试集——44个样本
P_test=xlsread('data','test set','B2:G45')';
T_test=xlsread('data','test set','H2:H45')';

f_ =size(P_train, 1); %输入特征维度
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, ps_output] = mapminmax(T_train, 0, 1);
t_test = mapminmax('apply', T_test, ps_output);

%%  转置以适应模型
p_train = p_train'; p_test = p_test';
t_train = t_train'; t_test = t_test';

%%  超参数设置
pop = 5;                               % 数量
Max_iter = 8;                    % 最大迭代次数
dim = 3;                               % 优化参数个数
lb = [0.1, 0.1, 10];             % 参数取值下界(核函数超参数 sigma，标准差，初始噪声标准差)
ub = [1, 1, 30];                 % 参数取值上界(核函数超参数 sigma，标准差，初始噪声标准差)

%% 优化
[Best_score,Best_pos, curve] = GWO(pop, Max_iter, lb, ub, dim, fobj);
% Best_pos = [0.6, 0.7, 30];    % 优化下界
sigmaL0 = Best_pos(1) * ones(f_, 1);   % 核函数超参数 sigma l
sigmaF0 = Best_pos(2);                 % 核函数超参数 - 标准差 sigma f
sigmaN0 = Best_pos(3);                 % 初始噪声标准差 sgima n

参考资料

[1]https://blog.csdn.net/kjm13182345320/article/details/124443069?spm=1001.2014.3001.5501
[2]https://blog.csdn.net/kjm13182345320/article/details/124443735?spm=1001.2014.3001.5501