【预测模型】多种智能算法优化深度极限学习机(GWO-DELM/MVO-DELM/WDO-DELM)Matlab实现
✅作者简介：热爱科研的Matlab仿真开发者，擅长毕业设计辅导、数学建模、数据处理、建模仿真、程序设计、完整代码获取、论文复现及科研仿真。
🍎 往期回顾关注个人主页：Matlab科研工作室
👇 关注我领取海量matlab电子书和数学建模资料
🍊个人信条：格物致知,完整Matlab代码获取及仿真咨询内容私信。
🔥 内容介绍
一、背景
深度极限学习机（DELM）作为一种新兴的深度学习模型，融合了极限学习机（ELM）的快速学习特性与深度学习的层次结构优势。它在诸多领域，如模式识别、数据分类与回归分析中展现出良好的应用潜力。然而，DELM 也存在一些局限性，例如其初始权重和阈值是随机生成的，这可能导致模型性能的不稳定以及容易陷入局部最优解。
为了克服这些问题，将灰狼优化算法（GWO）、蛾火优化算法（MVO）和鲸鱼优化算法（WDO）等智能优化算法引入 DELM 的优化过程，分别形成 GWO - DELM、MVO - DELM 和 WDO - DELM 模型。这些智能优化算法能够通过搜索最优的权重和阈值，提升 DELM 的性能，使其在复杂数据处理任务中表现更为出色。
二、原理
（一）深度极限学习机（DELM）原理
- GWO 优化 DELM
：将 DELM 的权重和阈值编码为灰狼的位置向量。GWO 的目标是最小化 DELM 的训练误差，例如均方误差（MSE）。在每次迭代中，GWO 根据位置更新公式调整权重和阈值，然后计算更新后的 DELM 的训练误差。通过多次迭代，GWO 搜索到一组最优的权重和阈值，使得 DELM 的性能得到优化，从而形成 GWO - DELM 模型。
（三）蛾火优化算法优化 DELM（MVO - DELM）原理
- 蛾火优化算法（MVO）
：MVO 模拟了蛾在夜间飞行时利用月光进行导航的行为。蛾会以一定角度飞向月光，然而当遇到人造光源（如蜡烛）时，由于光源距离较近，蛾会围绕光源做螺旋飞行。在 MVO 中，蛾的位置表示问题的解，光源的位置表示最优解。蛾的位置更新公式基于其与光源的相对位置和螺旋运动特性。
- WDO 优化 DELM
：把 DELM 的权重和阈值作为鲸鱼的位置，以 DELM 的训练误差作为适应度函数。WDO 通过上述两种搜索策略不断调整权重和阈值，寻找使训练误差最小的最优解。经过多次迭代，优化后的权重和阈值应用于 DELM，形成 WDO - DELM 模型，提升 DELM 的性能。
通过利用 GWO、MVO 和 WDO 等智能优化算法对 DELM 进行优化，能够有效改善 DELM 的性能，使其在复杂数据处理任务中具有更高的准确性和稳定性。
⛳️ 运行结果
GWO-DELM训练集-平均绝对误差（MAE）：3071.4559
GWO-DELM训练集-平均绝对误差百分比（MAPE）：0.089803
GWO-DELM训练集-均方根误差（RMSE）：3479.4988
GWO-DELM训练集-平均误差率（MER）：-0.049007
GWO-DELM训练集-决定系数（R^2）：0.98
GWO-DELM训练集-一致性指标（IA）：0.99426
GWO-DELM测试集-平均绝对误差（MAE）：4622.2264
GWO-DELM测试集-平均绝对误差百分比（MAPE）：0.12899
GWO-DELM测试集-均方根误差（RMSE）：5663.2885
GWO-DELM测试集-平均误差率（MER）：-0.051263
GWO-DELM测试集-决定系数（R^2）：0.92482
GWO-DELM测试集-一致性指标（IA）：0.9776
MVO-DELM训练集-平均绝对误差（MAE）：3017.2778
MVO-DELM训练集-平均绝对误差百分比（MAPE）：0.092985
MVO-DELM训练集-均方根误差（RMSE）：3375.144
MVO-DELM训练集-平均误差率（MER）：-0.053493
MVO-DELM训练集-决定系数（R^2）：0.98118
MVO-DELM训练集-一致性指标（IA）：0.99464
MVO-DELM测试集-平均绝对误差（MAE）：4523.8011
MVO-DELM测试集-平均绝对误差百分比（MAPE）：0.13062
MVO-DELM测试集-均方根误差（RMSE）：5650.7039
MVO-DELM测试集-平均误差率（MER）：-0.052035
MVO-DELM测试集-决定系数（R^2）：0.92515
MVO-DELM测试集-一致性指标（IA）：0.97743
WDO-DELM训练集-平均绝对误差（MAE）：3100.1402
WDO-DELM训练集-平均绝对误差百分比（MAPE）：0.095673
WDO-DELM训练集-均方根误差（RMSE）：3426.3533
WDO-DELM训练集-平均误差率（MER）：-0.055527
WDO-DELM训练集-决定系数（R^2）：0.98061
WDO-DELM训练集-一致性指标（IA）：0.99443
WDO-DELM测试集-平均绝对误差（MAE）：4704.0793
WDO-DELM测试集-平均绝对误差百分比（MAPE）：0.12845
WDO-DELM测试集-均方根误差（RMSE）：5805.4298
WDO-DELM测试集-平均误差率（MER）：-0.049403
WDO-DELM测试集-决定系数（R^2）：0.92099
WDO-DELM测试集-一致性指标（IA）：0.97648
📣 部分代码
function predictValue = DELMPredict(P_train,Weight,ELMAEhiddenLayer)
hiddenLayerSize = length(ELMAEhiddenLayer); %获取ELM-AE的层数
for i = 1:hiddenLayerSize
P_train = P_train*Weight{1,i};
end
beta = Weight{1,hiddenLayerSize+1};
Y = P_train*beta;
temp_Y = zeros(size(Y));
for i = 1:size(Y,1)
[max_Y,index] = max(Y(i,:));
temp_Y(i,index) = 1;
end
predictValue = vec2ind(temp_Y');
end