PCA+PSO-ELM.rar

首先对数据进行PCA，然后输入至PSO优化的ELM中进行分类，python代码

# -*- coding: utf-8 -*-
“““
Created on Mon Jul 29 15:16:34 2019
@author: KLY-392503054
“““

# coding: utf-8  
from scipy.io import loadmat
import numpy as np    
import random     
import matplotlib.pyplot as plt 
from sklearn.decomposition import PCA


class PSO（）:    
    def __init__（selfpNdimmax_iterinput_nodehidden_nodeinputoutput）:    
        #----------------------PSO参数设置---------------------------------    
        self.w  = 0.8      
        self.c1 = 1.5       
        self.c2 = 1.5       
        self.r1 = 0.8    
        self.r2 = 0.3    
        self.pN = pN                #粒子数量    
        self.dim =dim              #搜索维度    
        self.max_iter = max_iter   #迭代次数  
        
        self.X = np.zeros（（self.pNself.dim））       #所有粒子的位置和速度    
        self.V = np.zeros（（self.pNself.dim））    
        self.pbest = np.zeros（（self.pNself.dim））   #个体经历的最佳位置和全局最佳位置    
        self.gbest = np.zeros（（1self.dim））   
        self.p_fit = np.zeros（self.pN）              #每个个体的历史最佳适应值    
        self.fit = -1
        
        # 输入数据
        self.input=input
        self.output=output
        self.input_node=input_node
        self.hidden_node=hidden_node
    def train_elm（selfPTNWC=100000000000000TF=‘sig‘TYPE=1）:
        # P 输入数据 n*m  n-> samples m->features
        # T 输出数据
        # N 隐含层节点
        # C 正则化参数
        # TF 隐含层激活函数
        # TYPE=1 分类任务  =0 回归任务
    
        nm=P.shape
        if TYPE == 1:
            y=np.zeros（[nT.max（）+1]）
            for i in range（n）:
                y[iT[i]]=1
            T=np.copy（y）
        
        nc=T.shape
        
        ‘输入权重‘
        Weights = np.reshape（W[:m*N][mN]）
        ‘隐含层偏置‘
        biases=np.reshape（W[m*N:][1N]）
        
        temp=np.matmul（PWeights）+np.tile（biases[n1]）
        if TF==‘sig‘:
            H=1/（1+np.exp（temp））
        ‘输出权重计算‘
        w_out=np.matmul（np.matmul（np.linalg.pinv（np.matmul（H.TH）+1/C）H.T）T）
        return Weights biases w_out TF TYPE
    
    def train_predic（selfPWeightsbiasesw_outTFTYPE）:
        nm=P.shape
        temp=np.matmul（PWeights）+np.tile（biases[n1]）
        if TF==‘sig‘:
            H=1/（1+np.exp（temp））
        T=np.matmul（Hw_out）
        
        if TYPE==1:
            T_predict=np.argmax（Taxis=1）
        return T_predict
    
    def compute_accuracy（selfT_trueT_predictTYPE）:
        if TYPE==0:
            accuracy=np.mean（np.sum（T_true-T_predict））
        if TYPE==1:
            n=0
            for i in range（len（T_true））:
               if T_true[i]==T_predict[i]:
                   n=n+1
            accuracy=n/len（T_true）
        return accuracy   
#---------------------目标函数-----------------------------    
    def function（selfPTNW）:
        Weightsbiasesw_outTFTYPE=self.train_elm（PTNWC=10000000000TF=‘sig‘TYPE=1）
        T_predict=self.train_predic（PWeightsbiasesw_outTFTYPE）
    

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

     文件       5999  2019-07-29 16:29  pso-elm.py

     文件    7152017  2018-04-26 17:10  drivFace600.mat

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

              7158016                    2