【SVM回归预测】基于matlab人工兔算法优化卷积神经网络结合支持向量机ARO-CNN-SVM数据回归预测【含Matlab源码 3830期】

💥💥💥💥💥💥💞💞💞💞💞💞💞💞欢迎来到海神之光博客之家💞💞💞💞💞💞💞💞💥💥💥💥💥💥

✅博主简介：热爱科研的Matlab仿真开发者，修心和技术同步精进；
🍎个人主页：海神之光
🏆代码获取方式：
海神之光Matlab王者学习之路—代码获取方式

⛳️座右铭：行百里者，半于九十。
更多Matlab智能算法神经网络预测与分类仿真内容点击👇
①Matlab神经网络预测与分类 （进阶版）
②付费专栏Matlab智能算法神经网络预测与分类（中级版）
③付费专栏Matlab智能算法神经网络预测与分类（初级版）

⛳️关注优快云海神之光，更多资源等你来！！

⛄一、人工兔算法优化卷积神经网络结合支持向量机简介

人工兔算法（Artificial Rabbit Algorithm，ARA）是一种基于兔子行为的优化算法，用于解决优化问题。结合人工兔算法和卷积神经网络（CNN）以及支持向量机（SVM）可以用于多变量回归预测。

以下是人工兔算法优化卷积神经网络结合支持向量机的步骤：
1 准备数据集：首先，准备用于训练和测试的数据集。确保数据集包含输入特征和对应的目标变量。

2 构建卷积神经网络：使用CNN构建一个适合解决回归问题的模型。CNN是一种深度学习模型，可以有效地处理图像和序列数据。

3 优化卷积神经网络：使用人工兔算法对CNN进行优化。人工兔算法通过模拟兔子的行为来搜索最优解。它包括初始化兔子的位置和速度，根据适应度函数评估每个兔子的适应度，并更新兔子的位置和速度以找到更好的解。

4 结合支持向量机：将优化后的CNN与支持向量机结合起来。SVM是一种监督学习算法，用于分类和回归问题。它可以通过将CNN的输出作为SVM的输入来进一步提高预测性能。

5 训练模型：使用训练数据集对优化后的模型进行训练。在训练过程中，模型将根据输入特征预测目标变量，并根据预测结果和真实值之间的误差进行调整。

6 测试模型：使用测试数据集对训练好的模型进行测试。模型将根据输入特征预测目标变量，并根据预测结果评估模型的性能。

7 评估模型：使用评价指标（如R2、MAE、RMSE和MAPE等）对模型的性能进行评估。这些指标可以帮助我们了解模型的准确性和稳定性。

8 调整参数：根据评估结果，可以对模型的参数进行调整，以进一步提高模型的性能。

9 预测新数据：一旦模型训练完成并通过测试，就可以使用它来预测新的未知数据。将新的输入特征输入到模型中，模型将预测对应的目标变量。

⛄二、部分源代码

%% 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(‘数据集.xlsx’);

%% 数据分析
num_size = 0.7; % 训练集占数据集比例
outdim = 1; % 最后一列为输出
num_samples = size(res, 1); % 样本个数
res = res(randperm(num_samples), 😃; % 打乱数据集（不希望打乱时，注释该行）
num_train_s = round(num_size * num_samples); % 训练集样本个数
f_ = size(res, 2) - outdim; % 输入特征维度

%% 划分训练集和测试集
P_train = res(1: num_train_s, 1: f_)‘;
T_train = res(1: num_train_s, f_ + 1: end)’;
M = size(P_train, 2);

P_test = res(num_train_s + 1: end, 1: f_)‘;
T_test = res(num_train_s + 1: end, f_ + 1: end)’;
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);

%% 数据平铺
% 将数据平铺成1维数据只是一种处理方式
% 也可以平铺成2维数据，以及3维数据，需要修改对应模型结构
% 但是应该始终和输入层数据结构保持一致
p_train = double(reshape(p_train, f_, 1, 1, M));
p_test = double(reshape(p_test , f_, 1, 1, N));
t_train = double(t_train)‘;
t_test = double(t_test )’;

SearchAgents_no = 6; % 数量
Max_iteration = 10; % 最大迭代次数
dim = 3; % 优化参数个数
lb = [1e-3,32 ,1e-5]; % 参数取值下界(学习率，批量处理，正则化系数)
ub = [5e-2, 128,1e-2]; % 参数取值上界(学习率，批量处理，正则化系数)

fitness = @(x)fical(x);

[Best_score,Best_pos,curve]=ARO(SearchAgents_no,Max_iteration,lb ,ub,dim,fitness);
% Best_pos=[0.001 100 0.5];
Best_pos(1, 2) = round(Best_pos(1, 2));
best_hd = Best_pos(1, 2); % 批量处理
best_lr= Best_pos(1, 1);% 最佳初始学习率
best_l2 = Best_pos(1, 3);% 最佳L2正则化系数

%% 构造网络结构
layers = [
imageInputLayer([f_, 1, 1], “Name”, “Input”) % 输入层 输入数据规模[f_, 1, 1]

convolution2dLayer([3, 1], 16, “Name”, “Conv1”) % 卷积核大小 3*1 生成16张特征图
batchNormalizationLayer(“Name”, “BN1”) % 批归一化层
reluLayer(“Name”, “Relu1”) % Relu激活层

convolution2dLayer([3, 1], 32, “Name”, “Conv2”) % 卷积核大小 3*1 生成32张特征图
batchNormalizationLayer(“Name”, “BN2”) % 批归一化层
reluLayer(“Name”, “Relu2”) % Relu激活层

dropoutLayer(0.5, “Name”, “dorpout”) % Dropout层
fullyConnectedLayer(1, “Name”, “full_1”) % 全连接层
regressionLayer]; % 回归层

%% 参数设置
options = trainingOptions(‘sgdm’, … % SGDM 梯度下降算法
‘MiniBatchSize’, best_hd, … % 批大小,每次训练样本个数
‘MaxEpochs’, 500, … % 最大训练次数 500
‘InitialLearnRate’, best_lr, … % 初始学习率为
‘LearnRateSchedule’, ‘piecewise’, … % 学习率下降
‘LearnRateDropFactor’, 0.1, … % 学习率下降因子 0.1
‘LearnRateDropPeriod’, 400, … % 经过400次训练后 学习率为 0.01 * 0.1
‘Shuffle’, ‘every-epoch’, … % 每次训练打乱数据集
‘L2Regularization’, best_l2, … % L2正则化参数
‘Plots’, ‘training-progress’, … % 画出曲线
‘Verbose’, false);

%% 训练模型
net = trainNetwork(p_train, t_train, layers, options);

%% 提取特征
layer = ‘Relu2’;
p_train = activations(net, p_train, layer, ‘OutputAs’, ‘rows’);
p_test = activations(net, p_test , layer, ‘OutputAs’, ‘rows’);

%% 类型转换
p_train = double(p_train); p_test = double(p_test);
t_train = double(t_train); t_test = double(t_test);

%% 创建模型
model = fitrsvm(p_train, t_train,…
‘Standardize’, true,… % 打开标准化
‘KernelFunction’, ‘gaussian’,… % 选用高斯核函数
‘OptimizeHyperparameters’, ‘auto’,… % 自动优化参数 { BoxConstraint, KernelScale, Epsilon}
‘HyperparameterOptimizationOptions’,… % 自动优化参数选项
struct(‘ShowPlots’, false)); % 关掉图形显示

%% 仿真测试
t_sim1 = predict(model, p_train);
t_sim2 = predict(model, p_test);

%% 数据反归一化
T_sim1 = mapminmax(‘reverse’, t_sim1’, ps_output);
T_sim2 = mapminmax(‘reverse’, t_sim2’, ps_output);
T_sim1=double(T_sim1);
T_sim2=double(T_sim2);
%% 测试集结果
figure;
plotregression(T_test,T_sim2,[‘回归图’]);
set(gcf,‘color’,‘w’)
figure;
ploterrhist(T_test-T_sim2,[‘误差直方图’]);
set(gcf,‘color’,‘w’)

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

%%
%决定系数
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;

%%
%均方误差 MSE
mse1 = sum((T_sim1 - T_train).^2)./M;
mse2 = sum((T_sim2 - T_test).^2)./N;
%%
%RPD 剩余预测残差
SE1=std(T_sim1-T_train);
RPD1=std(T_train)/SE1;

SE=std(T_sim2-T_test);
RPD2=std(T_test)/SE;
%% 平均绝对误差MAE
MAE1 = mean(abs(T_train - T_sim1));
MAE2 = mean(abs(T_test - T_sim2));
%% 平均绝对百分比误差MAPE
MAPE1 = mean(abs((T_train - T_sim1)./T_train));
MAPE2 = mean(abs((T_test - T_sim2)./T_test));

⛄三、运行结果

⛄四、matlab版本及参考文献

1 matlab版本
2014a

2 参考文献
[1] 包子阳,余继周,杨杉.智能优化算法及其MATLAB实例（第2版）[M].电子工业出版社，2016.
[2]张岩,吴水根.MATLAB优化算法源代码[M].清华大学出版社，2017.
[3]周品.MATLAB 神经网络设计与应用[M].清华大学出版社，2013.
[4]陈明.MATLAB神经网络原理与实例精解[M].清华大学出版社，2013.
[5]方清城.MATLAB R2016a神经网络设计与应用28个案例分析[M].清华大学出版社，2018.

3 备注
简介此部分摘自互联网，仅供参考，若侵权，联系删除

🍅 仿真咨询
1 各类智能优化算法改进及应用
生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化

2 机器学习和深度学习方面
卷积神经网络（CNN）、LSTM、支持向量机（SVM）、最小二乘支持向量机（LSSVM）、极限学习机（ELM）、核极限学习机（KELM）、BP、RBF、宽度学习、DBN、RF、RBF、DELM、XGBOOST、TCN实现风电预测、光伏预测、电池寿命预测、辐射源识别、交通流预测、负荷预测、股价预测、PM2.5浓度预测、电池健康状态预测、水体光学参数反演、NLOS信号识别、地铁停车精准预测、变压器故障诊断

3 图像处理方面
图像识别、图像分割、图像检测、图像隐藏、图像配准、图像拼接、图像融合、图像增强、图像压缩感知

4 路径规划方面
旅行商问题（TSP）、车辆路径问题（VRP、MVRP、CVRP、VRPTW等）、无人机三维路径规划、无人机协同、无人机编队、机器人路径规划、栅格地图路径规划、多式联运运输问题、车辆协同无人机路径规划、天线线性阵列分布优化、车间布局优化

5 无人机应用方面
无人机路径规划、无人机控制、无人机编队、无人机协同、无人机任务分配

6 无线传感器定位及布局方面
传感器部署优化、通信协议优化、路由优化、目标定位优化、Dv-Hop定位优化、Leach协议优化、WSN覆盖优化、组播优化、RSSI定位优化

7 信号处理方面
信号识别、信号加密、信号去噪、信号增强、雷达信号处理、信号水印嵌入提取、肌电信号、脑电信号、信号配时优化

8 电力系统方面
微电网优化、无功优化、配电网重构、储能配置

9 元胞自动机方面
交通流 人群疏散 病毒扩散 晶体生长

10 雷达方面
卡尔曼滤波跟踪、航迹关联、航迹融合