ELM:ELM基于近红外光谱的汽油测试集辛烷值含量预测结果对比—Jason niu
2018-02-09 21:43
246 查看
%ELM:ELM基于近红外光谱的汽油测试集辛烷值含量预测结果对比—Jason niu load spectra_data.mat temp = randperm(size(NIR,1)); P_train = NIR(temp(1:50),:)'; T_train = octane(temp(1:50),:)'; P_test = NIR(temp(51:end),:)'; T_test = octane(temp(51:end),:)'; N = size(P_test,2); [Pn_train,inputps] = mapminmax(P_train); Pn_test = mapminmax('apply',P_test,inputps); [Tn_train,outputps] = mapminmax(T_train); Tn_test = mapminmax('apply',T_test,outputps); [IW,B,LW,TF,TYPE] = elmtrain(Pn_train,Tn_train,30,'sig',0); tn_sim = elmpredict(Pn_test,IW,B,LW,TF,TYPE); T_sim = mapminmax('reverse',tn_sim,outputps); result = [T_test' T_sim']; E = mse(T_sim - T_test); N = length(T_test); R2=(N*sum(T_sim.*T_test)-sum(T_sim)*sum(T_test))^2/((N*sum((T_sim).^2)-(sum(T_sim))^2)*(N*sum((T_test).^2)-(sum(T_test))^2)); figure(1) plot(1:N,T_test,'r-*',1:N,T_sim,'b:o') grid on legend('真实值','预测值') xlabel('样本编号') ylabel('辛烷值') string = {'ELM:ELM基于近红外光谱的汽油测试集辛烷值含量预测结果对比—Jason niu';['(mse = ' num2str(E) ' R^2 = ' num2str(R2) ')']}; title(string)
相关文章推荐
- NN:实现BP神经网络的回归拟合,基于近红外光谱的汽油辛烷值含量预测结果对比—Jason niu
- RBF:RBF基于近红外光谱的汽油辛烷值含量预测结果对比—Jason niu
- PCA:利用PCA(四个主成分的贡献率就才达100%)降维提高测试集辛烷值含量预测准确度并《测试集辛烷值含量预测结果对比》—Jason niu
- PLS:利用PLS(两个主成分的贡献率就可达100%)提高测试集辛烷值含量预测准确度并《测试集辛烷值含量预测结果对比》—Jason niu
- ELM:ELM实现鸢尾花种类测试集预测识别正确率(better)结果对比—Jason niu
- 基于微软案例数据挖掘之结果预测篇
- 软件、双核-基于全志A10\A20产品跑分测试结果对比-by小雨
- tensorflow 保存模型预测测试集分类结果
- Python数据分析之双色球基于线性回归算法预测下期中奖结果示例
- TF:Tensorflow之session会话的使用,定义两个矩阵,两种方法输出2个矩阵相乘的结果—Jason niu
- matlab与机器学习(三)以辛烷值含量预测为例BP神经网络(含代码解析)
- NSL:CPK_NN神经网络实现预测哪个样本与哪个样本处在同一层,从而科学规避我国煤矿突水灾难—Jason niu
- 大数据时代:基于微软案例数据库数据挖掘知识点总结(结果预测篇)
- 关于Tensorflow 利用模型预测测试集结果的思路
- 基于.NET实现数据挖掘--结果预测
- 『sklearn学习』多种模型预测脸的下半部分的结果对比
- 基于微软案例数据挖掘之结果预算+下期彩票预测篇
- (原创)大数据时代:基于微软案例数据库数据挖掘知识点总结(结果预测篇)
- 基于全志A10\A20产品跑分测试结果对比
- 基于Google Earth的基站覆盖预测后续(FlyPlan vs TCP对比图)