【SVM分类】基于哈里斯鹰算法优化支持向量机SVM实现分类附matlab的代码
【SVM分类】基于哈里斯鹰算法优化支持向量机SVM实现分类附matlab的代码
TT_Matlab
博主简介：擅长智能优化算法、神经网络预测、信号处理、元胞自动机、图像处理、路径规划、无人机等多种领域的Matlab仿真，完整matlab代码或者程序定制加qq1575304183。
1 简介
提出一种基于哈里斯鹰优化算法(HHO)和支持向量机(SVM)的股价预测方法.针对SVM预测模型参数难以确定的问题,采用HHO算法对SVM中惩罚因子及核函数参数进行优化,构建HHOSVM股价预测模型。
支持向量机是利用已知数据类别的样本为训练样本，寻找同类数据的空间聚集特征，从而对测试样本进行分类验证，通过验证可将分类错误的数据进行更正。本文以体检数据为数据背景，首先通过利用因子分析将高维数据进行降维，由此将所有指标整合成几个综合性指标；为降低指标之间的衡量标准所引起的误差，本文利用 MATLAB软件将数据进行归一化处理，结合聚类分析将数据分类；最后本文利用最小二乘支持向量机分类算法进行分类验证，从而计算出数据分类的准确率，并验证了数据分类的准确性和合理性。
2 部分代码
function
[sFeat,Sf,Nf,curve] = jBHHO(feat,label,N,max_Iter,HO)
beta
=
1.5;
ub
=
1;
lb
=
0;
fun
=
@jFitnessFunction;
dim
=
size(feat,2);
X
=
zeros(N,dim);
for
i = 1:N
for
d = 1:dim
if
rand() > 0.5
X(i,d)
=
1;
end
end
end
fitR
=
inf;
fit
=
zeros(1,N);
Y
=
zeros(1,dim);
Z
=
zeros(1,dim);
curve
=
inf;
t
=
1;
%---Iteration
start-------------------------------------------------
while
t <= max_Iter
for
i = 1:N
fit(i)
=
fun(feat,label,X(i,:),HO);
if
fit(i) < fitR
fitR
=
fit(i);
Xrb
=
X(i,:);
end
end
X_mu
=
mean(X,1);
for
i = 1:N
E0
=
-1 + 2 * rand();
E
=
2 * E0 * (1 - (t / max_Iter));
if
abs(E) >= 1
q
=
rand();
if
q >= 0.5
k
=
randi([1,N]);
r1
=
rand();
r2
=
rand();
for
d = 1:dim
Xn
=
X(k,d) - r1 * abs(X(k,d) - 2 * r2 * X(i,d));
S
=
1 / (1 + exp(-Xn));
if
rand() < S
X(i,d)
=
1;
else
X(i,d)
=
0;
end
end
elseif
q < 0.5
r3
=
rand();
r4
=
rand();
for
d = 1:dim
Xn
=
(Xrb(d) - X_mu(d)) - r3 * (lb + r4 * (ub - lb));
S
=
1 / (1 + exp(-Xn));
if
rand() < S
X(i,d)
=
1;
else
X(i,d)
=
0;
end
end
end
elseif
abs(E) < 1
J
=
2 * (1 - rand());
r
=
rand();
if
r >= 0.5 && abs(E) >= 0.5
for
d = 1:dim
DX
=
Xrb(d) - X(i,d);
Xn
=
DX - E * abs(J * Xrb(d) - X(i,d));
S
=
1 / (1 + exp(-Xn));
if
rand() < S
X(i,d)
=
1;
else
X(i,d)
=
0;
end
end
elseif
r >= 0.5 && abs(E) < 0.5
for
d = 1:dim
DX
=
Xrb(d) - X(i,d);
Xn
=
Xrb(d) - E * abs(DX);
S
=
1 / (1 + exp(-Xn));
if
rand() < S
X(i,d)
=
1;
else
X(i,d)
=
0;
end
end
elseif
r < 0.5 && abs(E) >= 0.5
LF
=
jLevyDistribution(beta,dim);
for
d = 1:dim
Yn
=
Xrb(d) - E * abs(J * Xrb(d) - X(i,d));
S
=
1 / (1 + exp(-Yn));
if
rand() < S
Y(d)
=
1;
else
Y(d)
=
0;
end
Zn
=
Y(d) + rand() * LF(d);
S
=
1 / (1 + exp(-Zn));
if
rand() < S
Z(d)
=
1;
else
Z(d)
=
0;
end
end
fitY
=
fun(feat,label,Y,HO);
fitZ
=
fun(feat,label,Z,HO);
if
fitY <= fit(i)
fit(i)
=
fitY;
X(i,
:
) = Y;
end
if
fitZ <= fit(i)
fit(i)
=
fitZ;
X(i,
:
) = Z;
end
elseif
r < 0.5 && abs(E) < 0.5
LF
=
jLevyDistribution(beta,dim);
for
d = 1:dim
Yn
=
Xrb(d) - E * abs(J * Xrb(d) - X_mu(d));
S
=
1 / (1 + exp(-Yn));
if
rand() < S
Y(d)
=
1;
else
Y(d)
=
0;
end
Zn
=
Y(d) + rand() * LF(d);
S
=
1 / (1 + exp(-Zn));
if
rand() < S
Z(d)
=
1;
else
Z(d)
=
0;
end
end
fitY
=
fun(feat,label,Y,HO);
fitZ
=
fun(feat,label,Z,HO);
if
fitY <= fit(i)
fit(i)
=
fitY;
X(i,
:
) = Y;
end
if
fitZ <= fit(i)
fit(i)
=
fitZ;
X(i,
:
) = Z;
end
end
end
end
curve(t)
=
fitR;
fprintf(’
Iteration
%d Best (BHHO)= %f’,t,curve(t))
t
=
t + 1;
end
Pos
=
1:dim;
Sf
=
Pos(Xrb == 1);
Nf
=
length(Sf);
sFeat
=
feat(:,Sf);
end
function
LF = jLevyDistribution(beta,dim)
nume
=
gamma(1 + beta) * sin(pi * beta / 2);
deno
=
gamma((1 + beta) / 2) * beta * 2 ^ ((beta - 1) / 2);
sigma
=
(nume / deno) ^ (1 / beta);
u
=
randn(1,dim) * sigma;
v
=
randn(1,dim);
step
=
u ./ abs(v) .^ (1 / beta);
LF
=
0.01 * step;
end
3 仿真结果
4 参考文献
[1]董婷. 支持向量机分类算法在MATLAB环境下的实现[J]. 榆林学院学报, 2008, 18(4):3.
博主简介：擅长智能优化算法、神经网络预测、信号处理、元胞自动机、图像处理、路径规划、无人机等多种领域的Matlab仿真，相关matlab代码问题可私信交流。
部分理论引用网络文献，若有侵权联系博主删除。