matlab30个案例分析案例15-SVM神经网络的信息粒化时序回归预测.docx
- 文档编号:358748
- 上传时间:2022-10-09
- 格式:DOCX
- 页数:14
- 大小:25.28KB
matlab30个案例分析案例15-SVM神经网络的信息粒化时序回归预测.docx
《matlab30个案例分析案例15-SVM神经网络的信息粒化时序回归预测.docx》由会员分享,可在线阅读,更多相关《matlab30个案例分析案例15-SVM神经网络的信息粒化时序回归预测.docx(14页珍藏版)》请在冰豆网上搜索。
%%SVM神经网络的信息粒化时序回归预测----上证指数开盘指数变化趋势和变化空间预测
%%清空环境变量
functionchapter15
tic;
closeall;
clear;
clc;
formatcompact;
%%原始数据的提取
%载入测试数据上证指数(1990.12.19-2009.08.19)
%数据是一个4579*6的double型的矩阵,每一行表示每一天的上证指数
%6列分别表示当天上证指数的开盘指数,指数最高值,指数最低值,收盘指数,当日交易量,当日交易额.
loadchapter15_sh.mat;
%提取数据
ts=sh_open;
time=length(ts);
%画出原始上证指数的每日开盘数
figure;
plot(ts,'LineWidth',2);
title('上证指数的每日开盘数(1990.12.20-2009.08.19)','FontSize',12);
xlabel('交易日天数(1990.12.19-2009.08.19)','FontSize',12);
ylabel('开盘数','FontSize',12);
gridon;
print-dtiff-r600original;
snapnow;
%%对原始数据进行模糊信息粒化
win_num=floor(time/5);
tsx=1:
win_num;
tsx=tsx';
[Low,R,Up]=FIG_D(ts','triangle',win_num);
%模糊信息粒化可视化图
figure;
holdon;
plot(Low,'b+');
plot(R,'r*');
plot(Up,'gx');
holdoff;
legend('Low','R','Up',2);
title('模糊信息粒化可视化图','FontSize',12);
xlabel('粒化窗口数目','FontSize',12);
ylabel('粒化值','FontSize',12);
gridon;
print-dtiff-r600FIGpic;
snapnow;
%%利用SVM对Low进行回归预测
%数据预处理,将Low进行归一化处理
%mapminmax为matlab自带的映射函数
[low,low_ps]=mapminmax(Low);
low_ps.ymin=100;
low_ps.ymax=500;
%对Low进行归一化
[low,low_ps]=mapminmax(Low,low_ps);
%画出Low归一化后的图像
figure;
plot(low,'b+');
title('Low归一化后的图像','FontSize',12);
xlabel('粒化窗口数目','FontSize',12);
ylabel('归一化后的粒化值','FontSize',12);
gridon;
print-dtiff-r600lowscale;
%对low进行转置,以符合libsvm工具箱的数据格式要求
low=low';
snapnow;
%选择回归预测分析中最佳的SVM参数c&g
%首先进行粗略选择
[bestmse,bestc,bestg]=SVMcgForRegress(low,tsx,-10,10,-10,10,3,1,1,0.1,1);
%打印粗略选择结果
disp('打印粗略选择结果');
str=sprintf('SVMparametersforLow:
BestCrossValidationMSE=%gBestc=%gBestg=%g',bestmse,bestc,bestg);
disp(str);
%根据粗略选择的结果图再进行精细选择
[bestmse,bestc,bestg]=SVMcgForRegress(low,tsx,-4,8,-10,10,3,0.5,0.5,0.05,1);
%打印精细选择结果
disp('打印精细选择结果');
str=sprintf('SVMparametersforLow:
BestCrossValidationMSE=%gBestc=%gBestg=%g',bestmse,bestc,bestg);
disp(str);
%训练SVM
cmd=['-c',num2str(bestc),'-g',num2str(bestg),'-s3-p0.1'];
low_model=svmtrain(low,tsx,cmd);
%预测
[low_predict,low_mse]=svmpredict(low,tsx,low_model);
low_predict=mapminmax('reverse',low_predict,low_ps);
predict_low=svmpredict(1,win_num+1,low_model);
predict_low=mapminmax('reverse',predict_low,low_ps);
predict_low
%%对于Low的回归预测结果分析
figure;
holdon;
plot(Low,'b+');
plot(low_predict,'r*');
legend('originallow','predictlow',2);
title('originalvspredict','FontSize',12);
xlabel('粒化窗口数目','FontSize',12);
ylabel('粒化值','FontSize',12);
gridon;
print-dtiff-r600lowresult;
figure;
error=low_predict-Low';
plot(error,'ro');
title('误差(predicteddata-originaldata)','FontSize',12);
xlabel('粒化窗口数目','FontSize',12);
ylabel('误差量','FontSize',12);
gridon;
print-dtiff-r600lowresulterror;
snapnow;
%%利用SVM对R进行回归预测
%数据预处理,将R进行归一化处理
%mapminmax为matlab自带的映射函数
[r,r_ps]=mapminmax(R);
r_ps.ymin=100;
r_ps.ymax=500;
%对R进行归一化
[r,r_ps]=mapminmax(R,r_ps);
%画出R归一化后的图像
figure;
plot(r,'r*');
title('r归一化后的图像','FontSize',12);
gridon;
%对R进行转置,以符合libsvm工具箱的数据格式要求
r=r';
snapnow;
%选择回归预测分析中最佳的SVM参数c&g
%首先进行粗略选择
[bestmse,bestc,bestg]=SVMcgForRegress(r,tsx,-10,10,-10,10,3,1,1,0.1);
%打印粗略选择结果
disp('打印粗略选择结果');
str=sprintf('SVMparametersforR:
BestCrossValidationMSE=%gBestc=%gBestg=%g',bestmse,bestc,bestg);
disp(str);
%根据粗略选择的结果图再进行精细选择
[bestmse,bestc,bestg]=SVMcgForRegress(r,tsx,-4,8,-10,10,3,0.5,0.5,0.05);
%打印精细选择结果
disp('打印精细选择结果');
str=sprintf('SVMparametersforR:
BestCrossValidationMSE=%gBestc=%gBestg=%g',bestmse,bestc,bestg);
disp(str);
%训练SVM
cmd=['-c',num2str(bestc),'-g',num2str(bestg),'-s3-p0.1'];
r_model=svmtrain(r,tsx,cmd);
%预测
[r_predict,r_mse]=svmpredict(r,tsx,low_model);
r_predict=mapminmax('reverse',r_predict,r_ps);
predict_r=svmpredict(1,win_num+1,r_model);
predict_r=mapminmax('reverse',predict_r,r_ps);
predict_r
%%对于R的回归预测结果分析
figure;
holdon;
plot(R,'b+');
plot(r_predict,'r*');
legend('originalr','predictr',2);
title('originalvspredict','FontSize',12);
gridon;
figure;
error=r_predict-R';
plot(error,'ro');
title('误差(predicteddata-originaldata)','FontSize',12);
gridon;
snapnow;
%%利用SVM对Up进行回归预测
%数据预处理,将up进行归一化处理
%mapminmax为matlab自带的映射函数
[up,up_ps]=mapminmax(Up);
up_ps.ymin=100;
up_ps.ymax=500;
%对Up进行归一化
[up,up_ps]=mapminmax(Up,up_ps);
%画出Up归一化后的图像
figure;
plot(up,'gx');
title('Up归一化后的图像','FontSize',12);
gridon;
%对up进行转置,以符合libsvm工具箱的数据格式要求
up=up';
snapnow;
%选择回归预测分析中最佳的SVM参数c&g
%首先进行粗略选择
[bestmse,bestc,bestg]=SVMcgForRegress(up,tsx,-10,10,-10,10,3,1,1,0.5);
%打印粗略选择结果
disp('打印粗略选择结果');
str=sprintf('SVMparametersforUp:
BestCrossValidationMSE=%gBestc=%gBestg=%g',bestmse,bestc,bestg);
disp(str);
%根据粗略选择的结果图再进行精细选择
[bestmse,bestc,bestg]=SVMcgForRegress(up,tsx,-4,8,-10,10,3,0.5,0.5,0.2);
%打印精
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- matlab30 案例 分析 15 SVM 神经网络 信息 时序 回归 预测
![提示](https://static.bdocx.com/images/bang_tan.gif)