SVM神经网络的信息粒化时序回归预测matlab程序_模糊信息粒化代码资源-CSDN文库

共23个文件

png：18个

m：2个

html：1个

信息粒化时序

matlab

SVM神经网

需积分: 50 91 浏览量 2019-03-25 16:30:09 上传评论 6 收藏 392KB ZIP 举报

资源推荐

资源详情

资源评论

收起资源包目录

SVM神经网络的信息粒化时序回归预测.zip （23个子文件）

SVM神经网络的信息粒化时序回归预测

original.tif 1.77MB

FIG_D.m 6KB

html

chapter15_15.png 9KB

chapter15_04.png 11KB

chapter15_16.png 12KB

chapter15_17.png 13KB

chapter15_12.png 14KB

chapter15_13.png 11KB

chapter15_05.png 17KB

chapter15_08.png 11KB

chapter15_11.png 12KB

chapter15_01.png 8KB

chapter15.html 37KB

chapter15_07.png 13KB

chapter15.png 4KB

chapter15_10.png 16KB

chapter15_09.png 11KB

chapter15_03.png 10KB

chapter15_02.png 15KB

chapter15_14.png 8KB

chapter15_06.png 12KB

chapter15.m 11KB

chapter15_sh.mat 251KB

%% 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 % % <html> % <table border="0" width="600px" id="table1"> <tr> <td>该案例作者申明：</td> </tr> <tr> <td>1：本人长期驻扎在此<a target="_blank" href="http://www.ilovematlab.cn/forum-158-1.html">板块</a>里，对<a target="_blank" href="http://www.ilovematlab.cn/thread-48362-1-1.html">该案例</a>提问，做到有问必答。</td></tr><tr> <td>2：此案例有配套的教学视频，配套的完整可运行Matlab程序。</td> </tr> <tr> <td> 3：以下内容为该案例的部分内容（约占该案例完整内容的1/10）。</td> </tr> <tr> <td> 4：此案例为原创案例，转载请注明出处（<a target="_blank" href="http://www.ilovematlab.cn/">Matlab中文论坛</a>，<a target="_blank" href="http://www.ilovematlab.cn/forum-158-1.html">《Matlab神经网络30个案例分析》</a>）。</td> </tr> <tr> <td> 5：若此案例碰巧与您的研究有关联，我们欢迎您提意见，要求等，我们考虑后可以加在案例里。</td> </tr> <tr> <td> 6：您看到的以下内容为初稿，书籍的实际内容可能有少许出入，以书籍实际发行内容为准。</td> </tr><tr> <td> 7：此书其他常见问题、预定方式等，<a target="_blank" href="http://www.ilovematlab.cn/thread-47939-1-1.html">请点击这里</a>。</td> </tr></table> % </html> % %% 清空环境变量 function chapter15 tic; close all; clear; clc; format compact; %% 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. load chapter15_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); grid on; print -dtiff -r600 original; 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; hold on; plot(Low,'b+'); plot(R,'r*'); plot(Up,'gx'); hold off; 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); grid on; print -dtiff -r600 FIGpic; 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); grid on; print -dtiff -r600 lowscale; % 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( 'SVM parameters for Low:Best Cross Validation MSE = %g Best c = %g Best g = %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( 'SVM parameters for Low:Best Cross Validation MSE = %g Best c = %g Best g = %g',bestmse,bestc,bestg); disp(str); % 训练SVM cmd = ['-c ', num2str(bestc), ' -g ', num2str(bestg) , ' -s 3 -p 0.1']; 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; hold on; plot(Low,'b+'); plot(low_predict,'r*'); legend('original low','predict low',2); title('original vs predict','FontSize',12); xlabel('粒化窗口数目','FontSize',12); ylabel('粒化值','FontSize',12); grid on; print -dtiff -r600 lowresult; figure; error = low_predict - Low'; plot(error,'ro'); title('误差(predicted data-original data)','FontSize',12); xlabel('粒化窗口数目','FontSize',12); ylabel('误差量','FontSize',12); grid on; print -dtiff -r600 lowresulterror; 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); grid on; % 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( 'SVM parameters for R:Best Cross Validation MSE = %g Best c = %g Best g = %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( 'SVM parameters for R:Best Cross Validation MSE = %g Best c = %g Best g = %g',bestmse,bestc,bestg); disp(str); % 训练SVM cmd = ['-c ', num2str(bestc), ' -g ', num2str(bestg) , ' -s 3 -p 0.1']; 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; hold on; plot(R,'b+'); plot(r_predict,'r*'); legend('original r','predict r',2); title('original vs predict','FontSize',12); grid on; figure; error = r_predict - R'; plot(error,'ro'); title('误差(predicted data-original data)','FontSize',12); grid on; 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); grid on; % 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( 'SVM parameters for Up:Best Cross Validation MSE = %g Best c = %g Best g = %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); % 打印精细选择结果 disp('打印精细选择结果'); str = sprintf( 'SVM parameters for Up:Best Cross Validation MSE = %g Best c = %g Best g = %g',bestmse,bestc,bestg); disp(str); % 训练SVM cmd = ['-c ', num2str(bestc), ' -g ', num2str(bestg) , ' -s 3 -p 0.1']; up_model = svmtrain(up, tsx, cmd); % 预测 [up_predict,up_mse] = svmpredict(up,tsx,up_model); up_predict = mapminmax('reverse',up_predict,up_ps); predict_up = svmpredict(1,win_num+1,up_model); predict_up = mapminmax('reverse',predict_up,up_ps); predict_up %% 对于Up的回归预测结果分析 figure; hold on; plot(Up,'b+'); plot(up_predict,'r*'); legend('original up','predict up',2); title('original vs predict','FontSize',12); grid on; figure; error = up_predict - Up'; plot(error,'ro'); title('误差(predicted data-original data)','FontSize',12); grid on; toc; snapnow; %% 子函数 SVMcgForRegress.m function [mse,bestc,bestg] = SVMcgForRegress(train_label,train,cmin,cmax,gmin,gmax,v,cstep,gstep,msestep,flag) % SVMcgForClass % 输入: % train_label:训练

评论收藏

内容反馈