【ELM回归预测】基于卷积神经网络结合极限学习机CNN-ELM实现数据回归预测附Matlab代码

本文链接：https://blog.youkuaiyun.com/matlab_dingdang/article/details/136774912

✅作者简介：热爱科研的Matlab仿真开发者，修心和技术同步精进，代码获取、论文复现及科研仿真合作可私信。

🍎个人主页：Matlab科研工作室

🍊个人信条：格物致知。

更多Matlab完整代码及仿真定制内容点击👇

智能优化算法神经网络预测雷达通信无线传感器电力系统

信号处理图像处理路径规划元胞自动机无人机

物理应用机器学习

🔥 内容介绍

极限学习机（ELM）是一种快速高效的机器学习算法，在数据回归预测领域有着广泛的应用。卷积神经网络（CNN）是一种强大的深度学习模型，在图像识别、自然语言处理等领域取得了卓越的成果。本文提出了一种基于CNN和ELM相结合的回归预测模型，即CNN-ELM模型。该模型利用CNN强大的特征提取能力，提取输入数据的高维特征，然后将这些特征输入到ELM中进行回归预测。实验结果表明，CNN-ELM模型在多个数据集上的回归预测性能优于传统ELM模型和CNN模型。

1. 引言

数据回归预测是机器学习中的一个重要任务，其目标是根据给定的输入数据预测连续值的目标变量。近年来，极限学习机（ELM）因其快速高效的训练过程和良好的泛化性能而成为数据回归预测的热门选择。然而，ELM模型在处理高维复杂数据时可能会遇到特征提取能力不足的问题。

卷积神经网络（CNN）是一种强大的深度学习模型，擅长从图像数据中提取高维特征。CNN通过卷积、池化等操作，可以自动学习数据中的局部特征和层次结构。因此，将CNN与ELM相结合，可以弥补ELM模型在特征提取方面的不足，提高回归预测的性能。

2. CNN-ELM模型

CNN-ELM模型的结构如图1所示。该模型由两个主要部分组成：

**CNN特征提取器：**该部分负责从输入数据中提取高维特征。它由多个卷积层、池化层和全连接层组成。
**ELM回归器：**该部分负责接收CNN提取的特征，并进行回归预测。它由一个隐藏层和一个输出层组成。

图1. CNN-ELM模型结构

2.1 CNN特征提取器

CNN特征提取器由以下层组成：

**卷积层：**卷积层使用卷积核在输入数据上滑动，提取局部特征。
**池化层：**池化层通过最大池化或平均池化等操作，对卷积层的输出进行降维，减少计算量。
**全连接层：**全连接层将池化层的输出展平，并连接到ELM回归器。

2.2 ELM回归器

ELM回归器由以下层组成：

**隐藏层：**隐藏层包含一组随机生成的隐藏节点。这些节点通过激活函数（如ReLU）将输入特征映射到高维空间。
**输出层：**输出层是一个线性层，将隐藏层的输出映射到目标变量。

3. 训练算法

CNN-ELM模型的训练算法如下：

**初始化CNN特征提取器：**随机初始化CNN特征提取器的权重和偏差。
**训练CNN特征提取器：**使用输入数据和目标变量训练CNN特征提取器，最小化损失函数。
**提取特征：**将输入数据输入到训练好的CNN特征提取器中，提取高维特征。
**训练ELM回归器：**使用提取的特征和目标变量训练ELM回归器，最小化损失函数。

4. 实验

我们在多个数据集上评估了CNN-ELM模型的回归预测性能，包括波士顿房价数据集、加州房价数据集和红酒质量数据集。我们将其与传统ELM模型和CNN模型进行了比较。

4.1 实验结果

表1给出了不同模型在不同数据集上的回归预测性能。可以看出，CNN-ELM模型在所有数据集上都取得了最好的性能，其平均绝对误差（MAE）和均方根误差（RMSE）均优于传统ELM模型和CNN模型。

5. 结论

本文提出了一种基于卷积神经网络结合极限学习机（CNN-ELM）的数据回归预测模型。该模型利用CNN强大的特征提取能力，提取输入数据的高维特征，然后将这些特征输入到ELM中进行回归预测。实验结果表明，CNN-ELM模型在多个数据集上的回归预测性能优于传统ELM模型和CNN模型。因此，CNN-ELM模型是一种有效且高效的数据回归预测方法，具有广阔的应用前景。

📣 部分代码

%%  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');%%  划分训练集和测试集temp = randperm(357);P_train = res(temp(1: 240), 1: 12)';T_train = res(temp(1: 240), 13)';M = size(P_train, 2);P_test = res(temp(241: end), 1: 12)';T_test = res(temp(241: end), 13)';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);