网站模板怎么修改学习网站开发
目录
💥1 概述
📚2 运行结果
🎉3 参考文献
👨💻4 Matlab代码
💥1 概述
LSSVM的特性
1) 同样是对原始对偶问题进行求解，但是通过求解一个线性方程组（优化目标中的线性约束导致的）来代替SVM中的QP问题（简化求解过程），对于高维输入空间中的分类以及回归任务同样适用；
2) 实质上是求解线性矩阵方程的过程，与高斯过程（Gaussian processes），正则化网络（regularization networks）和费雪判别分析（Fisher discriminant analysis）的核版本相结合；
3) 使用了稀疏近似（用来克服使用该算法时的弊端）与稳健回归（稳健统计）；
4) 使用了贝叶斯推断（Bayesian inference）；
5) 可以拓展到非监督学习中：核主成分分析（kernel PCA）或密度聚类；
6) 可以拓展到递归神经网络中。
📚2 运行结果
主函数部分代码：
% dot(x1) = a * (x_2 -x_1)
% dot(x_2) = x_1 * (b- x_3) - x_2
% dot(x_3) = x_1 * x_2 -c* x_3
% 0 <= t < = t_f
% Initial Condition
% x_1(0) = -9.42, x_2(0)= -9.34, x_3(0)=28.3
% Theta=[a, b, c] = [10, 28, 8/3]
%% ============================================================================
clear all; close all; clc
t0=0;
tf=10;
sampling_time=0.05;
t=(t0:sampling_time:tf)';
initial=[-9.42 -9.34 28.3]; % initial values of the ODE used for generating simulated data
ExactTheta=[10; 28 ; 8/3]; % The exact parameters of the lorenz system used for generating simulated data
cprintf( [1 0.1 0],'**** Excat parameters of the Lorenz system ***** \n\n');
fprintf('True theta_1= %f \n', ExactTheta(1));
fprintf('True theta_2= %f \n', ExactTheta(2));
fprintf('True theta_3= %f \n\n', ExactTheta(3));
fprintf( '************************************* \n\n');
%% ========= Generating the simulation data ======================
options = odeset('RelTol',1e-5,'AbsTol',[1e-5 1e-5 1e-5]);
sol = ode45(@ridg,[t0 tf],initial,options,ExactTheta);
Y=deval(sol,t);
Y=Y';
noise_level=0.01; % 0.03, 0.05, 0.07, 0.1
noise=noise_level*randn(size(t,1),1);
y1=Y(:,1)+noise;
y2=Y(:,2)+noise;
y3=Y(:,3)+noise;
%% Estimating the parameters of the ODE system:
num_realization =3;
K_fold=3;
num_grid_gam=10;
num_grid_sig=10;
gamma_range = logspace(0,6,num_grid_gam);
sigma_range = logspace(-3,1,num_grid_sig);
ER1=[];
ER2=[];
ER3=[];
Par1=zeros(num_realization,1);
Par2=zeros(num_realization,1);
Par3=zeros(num_realization,1);
BB1=zeros(num_grid_gam,num_grid_sig);
BB2=zeros(num_grid_gam,num_grid_sig);
BB3=zeros(num_grid_gam,num_grid_sig);
for itr=1:num_realization
cprintf( [1 0.1 0],'**** iteration =%d\n',itr);
n=size(t,1);
ind=crossvalind('Kfold', n, K_fold);
for gamma_idx=1:size(gamma_range,2)
gamma = gamma_range(gamma_idx);
for sig_idx=1:size(sigma_range,2)
sig = sigma_range(sig_idx);
test_errors_1=zeros(K_fold,1);
test_errors_2=zeros(K_fold,1);
test_errors_3=zeros(K_fold,1);
for i=1:K_fold
Xte=t(ind==i,1);
Yte_1=y1(ind==i,1);
Yte_2=y2(ind==i,1);
Yte_3=y3(ind==i,1);
Xtr=t(ind~=i,1);
Ytr_1=y1(ind~=i,1);
Ytr_2=y2(ind~=i,1);
Ytr_3=y3(ind~=i,1);
K=KernelMatrix(Xtr,'RBF_kernel', sig);
m=size(K,1);
A= [K + (1/gamma) * eye(m), ones(m,1);...
ones(m,1)' ,0];
B1= [Ytr_1;0];
B2= [Ytr_2;0];
B3= [Ytr_3;0];
result1=A\B1;
result2=A\B2;
result3=A\B3;
alpha1=result1(1:m);
b1=result1(end);
alpha2=result2(1:m);
b2=result2(end);
alpha3=result3(1:m);
b3=result3(end);
yhattr1 = K * alpha1 + b1;
yhattr2 = K * alpha2 + b2;
yhattr3 = K * alpha3 + b3;
🎉3 参考文献
[1]姜星宇. 基于动态粒子群算法的DPSO-LSSVM模型在短期电力负荷预测中的应用研究[D].沈阳农业大学,2022.DOI:10.27327/d.cnki.gshnu.2022.000596.