✅作者简介：热爱科研的Matlab仿真开发者，修心和技术同步精进，matlab项目合作可私信。
🍎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
🔥 内容介绍
在当今信息时代，数据分类是一项重要的任务，对于许多领域的研究和应用都具有关键性的作用。为了实现高效准确的数据分类，许多机器学习算法被提出和应用。其中，鲸鱼算法和极限学习机（ElM）神经网络是两个备受关注的技术。本文将介绍鲸鱼算法优化ElM神经网络在数据分类中的应用。
鲸鱼算法是一种启发式优化算法，灵感来源于鲸鱼的觅食行为。鲸鱼通过个体行为和社会行为的相互作用，在复杂环境中寻找最佳的食物来源。这种行为启发了鲸鱼算法的设计，使其能够在搜索空间中高效地寻找全局最优解。鲸鱼算法具有全局搜索能力强、易于实现和收敛速度快等特点，因此在许多优化问题中取得了良好的效果。
极限学习机（ElM）神经网络是一种单隐藏层前馈神经网络，具有快速训练和良好的泛化能力。相比于传统的神经网络算法，ElM神经网络不需要对隐藏层的权重进行迭代调整，而是通过随机初始化权重后直接求解输出层的权重，从而大大减少了训练时间。此外，ElM神经网络还能够处理高维数据和大规模数据集，并且在噪声环境下也能保持较好的性能。
将鲸鱼算法与ElM神经网络相结合，可以充分发挥它们各自的优势。通过鲸鱼算法优化ElM神经网络的权重和偏置，可以提高ElM神经网络的分类性能。具体而言，鲸鱼算法可以在搜索空间中寻找到更优的权重和偏置组合，从而使ElM神经网络能够更准确地进行数据分类。此外，鲸鱼算法还可以帮助ElM神经网络避免陷入局部最优解，提高整体的分类准确率。
为了验证鲸鱼算法优化ElM神经网络在数据分类中的有效性，我们进行了一系列实验。首先，我们选择了几个经典的数据集，包括Iris、MNIST和CIFAR-10等，用于测试算法的性能。然后，我们分别使用ElM神经网络和鲸鱼算法优化ElM神经网络进行数据分类，并比较它们的分类准确率和收敛速度。实验结果表明，鲸鱼算法优化ElM神经网络在不同数据集上都取得了较好的分类性能，相比于传统的ElM神经网络，具有更高的准确率和更快的收敛速度。
📣 部分代码
%_________________________________________________________________________%
% 鲸鱼优化算法 %
%_________________________________________________________________________%
% The Whale Optimization Algorithm
function [Leader_score,Leader_pos,Convergence_curve]=WOA(SearchAgents_no,Max_iter,lb,ub,dim,fobj)
% initialize position vector and score for the leader
Leader_pos=zeros(1,dim);
Leader_score=inf; %change this to -inf for maximization problems
%Initialize the positions of search agents
Positions=initialization(SearchAgents_no,dim,ub,lb);
Convergence_curve=zeros(1,Max_iter);
t=0;% Loop counter
% Main loop
while t<Max_iter
disp(['第',num2str(t),'次迭代']);
for i=1:size(Positions,1)
% Return back the search agents that go beyond the boundaries of the search space
Flag4ub=Positions(i,:)>ub;
Flag4lb=Positions(i,:)<lb;
Positions(i,:)=(Positions(i,:).*(~(Flag4ub+Flag4lb)))+ub.*Flag4ub+lb.*Flag4lb;
% Calculate objective function for each search agent
fitness=fobj(Positions(i,:));
% Update the leader
if fitness<Leader_score % Change this to > for maximization problem
Leader_score=fitness; % Update alpha
Leader_pos=Positions(i,:);
end
end
a=2-t*((2)/Max_iter); % a decreases linearly fron 2 to 0 in Eq. (2.3)
% a2 linearly dicreases from -1 to -2 to calculate t in Eq. (3.12)
a2=-1+t*((-1)/Max_iter);
% Update the Position of search agents
for i=1:size(Positions,1)
r1=rand(); % r1 is a random number in [0,1]
r2=rand(); % r2 is a random number in [0,1]
A=2*a*r1-a; % Eq. (2.3) in the paper
C=2*r2; % Eq. (2.4) in the paper
b=1; % parameters in Eq. (2.5)
l=(a2-1)*rand+1; % parameters in Eq. (2.5)
p = rand(); % p in Eq. (2.6)
for j=1:size(Positions,2)
if p<0.5
if abs(A)>=1
rand_leader_index = floor(SearchAgents_no*rand()+1);
X_rand = Positions(rand_leader_index, :);
D_X_rand=abs(C*X_rand(j)-Positions(i,j)); % Eq. (2.7)
Positions(i,j)=X_rand(j)-A*D_X_rand; % Eq. (2.8)
elseif abs(A)<1
D_Leader=abs(C*Leader_pos(j)-Positions(i,j)); % Eq. (2.1)
Positions(i,j)=Leader_pos(j)-A*D_Leader; % Eq. (2.2)
end
elseif p>=0.5
distance2Leader=abs(Leader_pos(j)-Positions(i,j));
% Eq. (2.5)
Positions(i,j)=distance2Leader*exp(b.*l).*cos(l.*2*pi)+Leader_pos(j);
end
end
end
t=t+1;
Convergence_curve(t)=Leader_score;
end⛳️ 运行结果
🔗 参考文献
[1] 赖敏,陈国彬,刘超,等.CAWOA-ELM混合模型的锅炉NOx排放量预测[J].动力工程学报, 2018, 38(11):19-24.DOI:CNKI:SUN:DONG.0.2018-11-003.
[2] 王鹏翔,沈娟,王菁旸,等.基于PCA-LMD-WOA-ELM的短期光伏功率预测[J].陕西电力, 2022(006):050.
[3] 陈资,李昌.基于KPCA-WOA-ELM的爆破飞石距离预测[J].爆破器材, 2022(002):051.
[4] 王珂珂,牛东晓,甄皓,等.基于WOA-ELM模型的中国碳排放预测研究[J].生态经济, 2020, 36(8):8.
