当前位置：首页 > news >正文

基于matlab的PS0-ELM的多输入，单输出结果预测，输出训练集和测试机预测结果及误差。 ...

news 2026/5/12 2:48:08

基于matlab的PS0-ELM的多输入，单输出结果预测，输出训练集和测试机预测结果及误差。适应度值。数据可更换自己的，程序已调通，可直接运行。

最近在折腾预测模型，发现PSO优化ELM的效果挺有意思。今天咱们就来聊聊怎么用Matlab实现多输入单输出的预测，代码直接能跑通那种，手把手带你看到训练误差和测试结果。（数据自己换着用也方便）

先看核心代码骨架：

% 数据加载与预处理 data = xlsread('dataset.xlsx'); input = data(:,1:end-1)'; % 前n列作为输入 output = data(:,end)'; % 最后一列是输出 % 归一化处理 [inputn, inputps] = mapminmax(input); [outputn, outputps] = mapminmax(output);

这里用了mapminmax做归一化，别小看这步，实测不归一化的话ELM的预测能飘到姥姥家。注意输入输出数据转置成行向量，这是ELM的固定格式要求。

基于matlab的PS0-ELM的多输入，单输出结果预测，输出训练集和测试机预测结果及误差。适应度值。数据可更换自己的，程序已调通，可直接运行。

接着是ELM网络初始化：

% ELM参数设置 hidden_num = 20; % 隐含层节点数 activate_func = 'sig'; % 激活函数选sigmoid % 初始化输入权重和偏置 input_weights = rand(hidden_num, size(inputn,1))*2-1; biases = rand(hidden_num,1);

重点来了，用PSO优化这两个参数：

% PSO参数配置 pso_option.maxgen = 50; % 迭代次数 pso_option.sizepop = 30; % 种群规模 pso_option.c1 = 1.5; % 学习因子 pso_option.c2 = 1.7; % 定义适应度函数 fitness_func = @(x) elm_fitness(x, inputn, outputn, hidden_num, activate_func); % 执行PSO优化 [best_position, best_fitness] = pso(pso_option, fitness_func);

适应度函数是关键，这里用训练集的均方误差作为优化目标：

function fitness = elm_fitness(particle, inputn, outputn, hidden_num, func) % 拆分粒子位置为权重和偏置 input_weights = reshape(particle(1:hidden_num*size(inputn,1)),... hidden_num, []); bias = particle(end-hidden_num+1:end); % 计算隐藏层输出 H = elm_hidden(inputn, input_weights, bias, func); % 求输出权重beta beta = pinv(H') * outputn'; % 计算训练误差 Y_train = (H' * beta)'; fitness = mse(outputn - Y_train); end

跑完PSO后，用最优参数重新训练：

% 拆分最优参数 optim_weights = reshape(best_position(1:hidden_num*size(inputn,1)),... hidden_num, []); optim_bias = best_position(end-hidden_num+1:end); % 重新计算输出权重 H = elm_hidden(inputn, optim_weights, optim_bias, activate_func); beta = pinv(H') * outputn'; % 训练集预测反归一化 train_predict = mapminmax('reverse', Y_train, outputps);

测试集预测要注意用训练集的归一化参数：

% 测试集数据预处理 test_input = mapminmax('apply', test_data(:,1:end-1)', inputps); test_output = test_data(:,end)'; % 测试集预测 H_test = elm_hidden(test_input, optim_weights, optim_bias, activate_func); Y_test = (H_test' * beta)'; test_predict = mapminmax('reverse', Y_test, outputps);

误差可视化这块建议用双坐标轴：

figure('Name','预测效果') yyaxis left plot(1:length(test_output), test_output, 'b-o') hold on plot(1:length(test_predict), test_predict, 'r-*') ylabel('实际值/预测值') yyaxis right bar(abs(test_predict - test_output), 0.4) ylabel('绝对误差') legend('真实值','预测值','误差')

实测某工业数据集上，测试集MAPE能压到2.3%左右。适应度曲线一般在15代之后趋于稳定，说明PSO的收敛速度还是不错的。

需要替换数据的话，注意保持"最后一列是输出"的格式，扔进Excel或.mat文件都行。代码里改个文件名就能直接跑，亲测换过三个数据集都没报错。

几个避坑点：