vlambda博客
学习文章列表

【RVM分类】基于麻雀搜索算法优化相关向量机实现数据分类附matlab代码

1 简介

目前常用的一些基本的故障诊断,故障预测方法都将大样本数据作为基础,但在实际问题中常常能得到的故障数据都属于小样本类型.传统的故障诊断,故障预测方法已不适于用来解决小样本类型的故障问题.相关向量机(Relevance Vector Machine,简称RVM)是新提出的以支持向量机(Support Vector Machine,简称SVM)为基础的模型,该模型更适应于解决小样本问题.已经被应用于语音及图像处理,医学诊断,模式分类等很多领域.

【RVM分类】基于麻雀搜索算法优化相关向量机实现数据分类附matlab代码

【RVM分类】基于麻雀搜索算法优化相关向量机实现数据分类附matlab代码

2 部分代码

%_________________________________________________________________________%% 麻雀优化算法 %%_________________________________________________________________________%function [Best_pos,Best_score,curve]=SSA(pop,Max_iter,lb,ub,dim,fobj)
ST = 0.6;%预警值PD = 0.7;%发现者的比列,剩下的是加入者SD = 0.2;%意识到有危险麻雀的比重
PDNumber = pop*PD; %发现者数量SDNumber = pop - pop*PD;%意识到有危险麻雀数量if(max(size(ub)) == 1) ub = ub.*ones(1,dim); lb = lb.*ones(1,dim); end
%种群初始化X0=initialization(pop,dim,ub,lb);X = X0;%计算初始适应度值fitness = zeros(1,pop);for i = 1:pop fitness(i) = fobj(X(i,:));end [fitness, index]= sort(fitness);%排序BestF = fitness(1);WorstF = fitness(end);GBestF = fitness(1);%全局最优适应度值for i = 1:pop X(i,:) = X0(index(i),:);endcurve=zeros(1,Max_iter);GBestX = X(1,:);%全局最优位置X_new = X;for i = 1: Max_iter BestF = fitness(1); WorstF = fitness(end);
R2 = rand(1); for j = 1:PDNumber if(R2<ST) X_new(j,:) = X(j,:).*exp(-j/(rand(1)*Max_iter)); else X_new(j,:) = X(j,:) + randn()*ones(1,dim); end end for j = PDNumber+1:pop% if(j>(pop/2)) if(j>(pop - PDNumber)/2 + PDNumber) X_new(j,:)= randn().*exp((X(end,:) - X(j,:))/j^2); else %产生-1,1的随机数 A = ones(1,dim); for a = 1:dim if(rand()>0.5) A(a) = -1; end end AA = A'*inv(A*A'); X_new(j,:)= X(1,:) + abs(X(j,:) - X(1,:)).*AA'; end end Temp = randperm(pop); SDchooseIndex = Temp(1:SDNumber); for j = 1:SDNumber if(fitness(SDchooseIndex(j))>BestF) X_new(SDchooseIndex(j),:) = X(1,:) + randn().*abs(X(SDchooseIndex(j),:) - X(1,:)); elseif(fitness(SDchooseIndex(j))== BestF) K = 2*rand() -1; X_new(SDchooseIndex(j),:) = X(SDchooseIndex(j),:) + K.*(abs( X(SDchooseIndex(j),:) - X(end,:))./(fitness(SDchooseIndex(j)) - fitness(end) + 10^-8)); end end %边界控制 for j = 1:pop for a = 1: dim if(X_new(j,a)>ub) X_new(j,a) =ub(a); end if(X_new(j,a)<lb) X_new(j,a) =lb(a); end end end %更新位置 for j=1:pop fitness_new(j) = fobj(X_new(j,:)); end for j = 1:pop if(fitness_new(j) < GBestF) GBestF = fitness_new(j); GBestX = X_new(j,:); end end X = X_new; fitness = fitness_new; %排序更新 [fitness, index]= sort(fitness);%排序 BestF = fitness(1); WorstF = fitness(end); for j = 1:pop X(j,:) = X(index(j),:); end curve(i) = GBestF;endBest_pos =GBestX;Best_score = curve(end);end



3 仿真结果

【RVM分类】基于麻雀搜索算法优化相关向量机实现数据分类附matlab代码

4 参考文献

[1]马晨佩, 李明辉, 巩强令,等. 基于麻雀搜索算法优化支持向量机的滚动轴承故障诊断[J]. 科学技术与工程, 2021, 21(10):5.

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。