PSO-SVM.rar

支持向量机是一种基于统计学习理论的机器学习方法.在传统的支持向量机模型中,模型参数需要用试凑的办法,一个基于粒子群算法的参数选择机制,这可以大大减少模型的运算时间

%% 清空环境
clc
clear

data_set=xlsread（‘dataset.xlsx‘）;
%% 训练样本输入/输出--
%%4类，每种类型有40组数据，
data_set1 = data_set（1:50:）; % 40*11
data_set2 = data_set（51:100:）;
data_set3 = data_set（101:150:）;
data_set4 = data_set（151:200:）;
%训练样本
m=30; % 每种选取前30组数据组成训练样本；
input_train_1=data_set1（1:m1:4）;   %%第一种类型选取前m组数据；
output_train_1=data_set1（1:m5）;    %%对应的标签页选择前m组，以此类推。。。。
input_train_2 =data_set2（1:m1:4）;
output_train_2=data_set2（1:m5）; 
input_train_3 =data_set3（1:m1:4）;
output_train_3=data_set3（1:m5）; 
input_train_4 =data_set4（1:m1:4）;
output_train_4=data_set4（1:m5）; 

train_values=[input_train_1;input_train_2;input_train_3;input_train_4];
train_labels=[output_train_1;output_train_2;output_train_3;output_train_4];
%% 测试样本输入/输出--
input_test_1=data_set1（m+1:end1:4）;
output_test_1=data_set1（m+1:end5）;
input_test_2 =data_set2（m+1:end1:4）;
output_test_2=data_set2（m+1:end5）;
input_test_3 =data_set3（m+1:end1:4）;
output_test_3=data_set3（m+1:end5）;
input_test_4 =data_set4（m+1:end1:4）;
output_test_4=data_set4（m+1:end5）;
test_values=[input_test_1;input_test_2;input_test_3;input_test_4];
test_labels=[output_test_1;output_test_2;output_test_3;output_test_4];

[train_valuespstrain] = mapminmax（train_values‘）;
pstrain.ymin = 0;
pstrain.ymax = 1;
[train_valuespstrain] = mapminmax（train_valuespstrain）;

[test_valuespstest] = mapminmax（test_values‘）;
pstest.ymin = 0;
pstest.ymax = 1;
[test_valuespstest] = mapminmax（test_valuespstest）;

train_values = train_values‘;
test_values = test_values‘;

%% 参数初始化

%粒子群算法中的两个参数
c1 = 1.6; % c1 belongs to [02] 
c2 = 1.5; % c2 belongs to [02] 

maxgen=300;% 进化次数
sizepop=30;% 种群规模

popcmax=10^（2）;
popcmin=10^（-1）;
popgmax=10^（3）;
popgmin=10^（-2）;
k = 0.6; % k belongs to [0.11.0];
Vcmax = k*popcmax;
Vcmin = -Vcmax ;
Vgmax = k*popgmax;
Vgmin = -Vgmax ;

% SVM参数初始化
v = 3;

%% 产生初始粒子和速度
for i=1:sizepop
 % 随机产生种群
pop（i1） = （popcmax-popcmin）*rand+popcmin; % 初始种群
pop（i2） = （popgmax-popgmin）*rand+popgmin;
V（i1）=Vcmax*rands（1）;% 初始化速度
V（i2）=Vgmax*rands（1）;
% 计算初始适应度
cmd = [‘-v ‘num2str（v）‘ -c ‘num2str（ pop（i1） ）‘ -g ‘num2str（ pop（i2） ）];
fitness（i） = svmtrain（train_labels train_values cmd）;
fitness（i） = -fitness（i）; 
end

% 找极值和极值点

[global_fitness bestindex]=min（fitness）; % 全局极值
local_fitness=fitness;% 个体极值初始化

global_x=pop（bestindex:）;% 全局极值点
local_x=pop;% 个体极值点初始化

tic

%% 迭代寻优
for i=1:maxgen

    for j=1:sizepop

%速度更新
wV = 0.9; % wV best belongs to [0.81.2]
V（j:） = wV*V（j:） + c1*rand*（local_x（j:） - pop（j:）） + c2*rand*（global_x - pop（j:））;
if V（j1） > Vcmax
V（j1） = Vcmax;
end
if V（j1） < Vcmin
V（j1） = Vcmin;
end
if V（j2） > Vgmax
V（j2） = Vgmax;
end
if V（j2） < Vgmin
V（j2） = Vgmin;
end
%种群更新
wP = 0.6;
pop（j:）=pop（j:）+wP*V（j:）;
if pop（j1） > popcmax
pop（j1） = popcmax;
end
if pop（j1） < popcmin
pop（j1） = popcmin;
end
if pop（j2） > popgmax
pop（j2） = popgmax;
end
if pop（j2

 属性            大小     日期    时间   名称
----------- ---------  ---------- -----  ----

     文件       4374  2019-10-31 20:27  PSO-SVM\PSSVM.m

     目录          0  2019-10-28 21:47  PSO-SVM

----------- ---------  ---------- -----  ----

                 4374                    2