截至2025-1-2更新
1.BP神经网络多元回归预测（多输入单输出）
2.RBF神经网络多元回归预测（多输入单输出）
3.RF随机森林多元回归预测（多输入单输出）
4.CNN卷积神经网络多元回归预测（多输入单输出）
5.LSTM长短期记忆神经网络多元回归预测（多输入单输出）
6.BiLSTM双向长短期记忆神经网络多元回归预测（多输入单输出）
7.GRU门控循环单元多元回归预测（多输入单输出）
8.CNN-LSTM卷积长短期记忆神经网络多元回归预测（多输入单输出）
9.CNN-BiLSTM卷积双向长短期记忆神经网络多元回归预测（多输入单输出）
10.CNN-GRU卷积门控循环单元多元回归预测（多输入单输出）
11.GA-BP遗传算法优化BP神经网络多元回归预测（多输入单输出）
12.PSO-BP粒子群算法优化BP神经网络多元回归预测（多输入单输出）
13.ELM极限学习机多元回归预测（多输入单输出）
14.SVM支持向量机多元回归预测（多输入单输出）
15.PSO-SVM粒子群优化支持向量机多元回归预测（多输入单输出）
16.PLS偏最小二乘法多元回归预测（多输入单输出）
17.CNN-LSSVM多元回归预测（多输入单输出）
18.CNN-BiGRU多元回归预测（多输入单输出）
19.CNN-RVM多元回归预测（多输入单输出）
20.SVM-Adaboost多元回归预测（多输入单输出）
部分源码
%% 数据归一化
[p_train, ps_input] = mapminmax(P_train, 0, 1);
p_test = mapminmax('apply', P_test, ps_input);
[t_train, ps_output] = mapminmax(T_train, 0, 1);
t_test = mapminmax('apply', T_test, ps_output);
%% 转置以适应模型
p_train = p_train'; p_test = p_test';
t_train = t_train'; t_test = t_test';
%% 训练模型
trees = 100; % 决策树数目
leaf = 5; % 最小叶子数
OOBPrediction = 'on'; % 打开误差图
OOBPredictorImportance = 'on'; % 计算特征重要性
Method = 'regression'; % 分类还是回归
net = TreeBagger(trees, p_train, t_train, 'OOBPredictorImportance', OOBPredictorImportance,...
'Method', Method, 'OOBPrediction', OOBPrediction, 'minleaf', leaf);
importance = net.OOBPermutedPredictorDeltaError; % 重要性
%% 仿真测试
t_sim1 = predict(net, p_train);
t_sim2 = predict(net, p_test );
%% 数据反归一化
T_sim1 = mapminmax('reverse', t_sim1, ps_output);
T_sim2 = mapminmax('reverse', t_sim2, ps_output);
%% 均方根误差
error1 = sqrt(sum((T_sim1' - T_train).^2) ./ M);
error2 = sqrt(sum((T_sim2' - T_test ).^2) ./ N);
%% 绘图
figure
plot(1: M, T_train, 'r-*', 1: M, T_sim1, 'b-o', 'LineWidth', 1)
legend('真实值', '预测值')
xlabel('预测样本')
ylabel('预测结果')
string = {'训练集预测结果对比'; ['RMSE=' num2str(error1)]};
title(string)
xlim([1, M])
grid
figure
plot(1: N, T_test, 'r-*', 1: N, T_sim2, 'b-o', 'LineWidth', 1)
legend('真实值', '预测值')
xlabel('预测样本')
ylabel('预测结果')
string = {'测试集预测结果对比'; ['RMSE=' num2str(error2)]};
title(string)
xlim([1, N])
grid
