回归预测 | MATLAB实现SSA-ELM麻雀搜索算法优化极限学习机多输入单输出回归预测（多指标，多图）

效果一览

基本介绍

回归预测 | MATLAB实现SSA-ELM麻雀搜索算法优化极限学习机多输入单输出回归预测（多指标，多图），输入多个特征，输出单个变量，多输入单输出回归预测；
多指标评价，代码质量极高；excel数据，方便替换，运行环境2018及以上。
麻雀搜索算法（Sparrow Search Algorithm）是一种基于自然界麻雀觅食行为的启发式优化算法，用于解决优化问题。而极限学习机（Extreme Learning Machine，简称ELM）是一种机器学习算法，用于解决分类和回归问题。首先，需要明确你要优化的目标函数。在极限学习机中，通常会使用某种损失函数来衡量预测结果与真实结果之间的差异。你可以将这个损失函数作为目标函数，通过麻雀搜索算法来最小化或最大化这个目标函数。极限学习机中有一些参数需要进行调优，例如隐层神经元的数量、输入层与隐层之间的连接权重等。你可以将这些参数作为优化的变量，在搜索过程中不断调整它们的取值，以找到最优的参数组合。麻雀搜索算法的核心是模拟麻雀觅食的行为，这包括探索和利用两个方面。你可以设计一种策略，使得搜索过程中既能进行全局的探索，又能尽快收敛到更优的解。例如，可以引入一定的随机性来增加搜索的多样性，或者使用启发式的方法来指导搜索方向。在使用麻雀搜索算法优化极限学习机时，需要对算法进行评估和调整。可以通过与其他优化算法进行比较，或者在不同的测试函数上进行实验，来评估算法的性能。根据评估结果，对算法的参数或策略进行调整，以提高算法的效果。

程序设计

完整源码和数据获取方式：私信回复SSA-ELM麻雀搜索算法优化极限学习机多输入单输出回归预测（多指标，多图）。

%%  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

%%  导入数据
res = xlsread('data.xlsx');

%%  划分训练集和测试集
temp = randperm(103);

P_train = res(temp(1: 80), 1: 7)';
T_train = res(temp(1: 80), 8)';
M = size(P_train, 2);

P_test = res(temp(81: end), 1: 7)';
T_test = res(temp(81: end), 8)';
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);



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

%%  数据反归一化
T_sim1 = mapminmax('reverse', t_sim1, ps_output);
T_sim2 = mapminmax('reverse', t_sim2, ps_output);

%%  均方根误差
error1 = sqrt(sum((T_sim1 - T_train).^2) ./ M);
error2 = sqrt(sum((T_sim2 - T_test ).^2) ./ N);



%%  相关指标计算
% 决定系数 R2
R1 = 1 - norm(T_train - T_sim1)^2 / norm(T_train - mean(T_train))^2;
R2 = 1 - norm(T_test -  T_sim2)^2 / norm(T_test -  mean(T_test ))^2;

disp(['训练集数据的R2为：', num2str(R1)])
disp(['测试集数据的R2为：', num2str(R2)])

% 平均绝对误差 MAE
mae1 = sum(abs(T_sim1 - T_train)) ./ M ;
mae2 = sum(abs(T_sim2 - T_test )) ./ N ;

disp(['训练集数据的MAE为：', num2str(mae1)])
disp(['测试集数据的MAE为：', num2str(mae2)])

% 平均相对误差 MBE
mbe1 = sum(T_sim1 - T_train) ./ M ;
mbe2 = sum(T_sim2 - T_test ) ./ N ;

disp(['训练集数据的MBE为：', num2str(mbe1)])
disp(['测试集数据的MBE为：', num2str(mbe2)])