%% 清空环境变量
warning off % 关闭报警信息
close all % 关闭开启的图窗
clear % 清空变量
clc % 清空命令行
%% 数据读取
data=xlsread('数据.xlsx','Sheet1','B2:B900'); %%使用xlsread函数读取EXCEL中对应范围的数据即可
n=10;
[input,output]=data_process(data',n);%前n个时刻 预测下一个时刻
N=length(output); %全部样本数目
testNum=50; %设定测试样本数目
trainNum=N-testNum; %计算训练样本数目
%% 划分训练集、测试集
P_train = input(1:trainNum,:)';
T_train =output(1:trainNum)';
P_test =input(trainNum+1:trainNum+testNum,:)';
T_test =output(trainNum+1:trainNum+testNum)';
M = size(P_train, 2);
N = size(P_test, 2);
%% 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);
%% 创建模型
num_hiddens = 50; % 隐藏层节点个数
activate_model = 'sig'; % 激活函数
[IW, B, LW, TF, TYPE] = elmtrain(p_train, t_train, num_hiddens, activate_model, 0);
%% 仿真测试
%% 创建/训练
K = 30; % 弱回归器个数
%% 权重初始化
D = ones(1, M) / M;
%% 弱回归器回归
for i = 1 : K
%% 训练模型
t_sim1(i,:) = elmpredict(p_train, IW, B, LW, TF, TYPE);
t_sim2(i,:) = elmpredict(p_test , IW, B, LW, TF, TYPE);
%% 预测误差
Error(i, :) = t_sim2(i, :) - T_test;
%% 调整D值
weight(i) = 0;
for j = 1 : N
if abs(Error(i, j)) > 0.02
weight(i) = weight(i) + D(i, j);
D(i + 1, j) = D(i, j) * 1.1;
else
D(i + 1, j) = D(i, j);
end
end
%% 弱回归器i权重
weight(i) = 0.5 / exp(abs(weight(i)));
%% D值归一化
D(i + 1, :) = D(i + 1, :) / sum(D(i + 1, :));
end
%% 强预测器预测
weight = weight / sum(weight);
%% 强回归器输出结果
T_sim1 = zeros(1, M);
T_sim2 = zeros(1, N);
for i = 1 : K
output1 = (weight(i) * t_sim1(i, :));
output2 = (weight(i) * t_sim2(i, :));
T_sim1 = output1 + T_sim1;
T_sim2 = output2 + T_sim2;
end
%% 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
%% 相关指标计算
% R2
R1 = 1 - norm(T_train - T_sim1)^2 / norm(T_train - mean(T_train))^2;
R2 = 1 - norm(T_test - T_sim2)^2 / norm(T_test - mean(T_test ))^2;
disp(['训练集数据的R2为:', num2str(R1)])
disp(['测试集数据的R2为:', num2str(R2)])
% MAE
mae1 = sum(abs(T_sim1 - T_train)) ./ M ;
mae2 = sum(abs(T_sim2 - T_test )) ./ N ;
disp(['训练集数据的MAE为:', num2str(mae1)])
disp(['测试集数据的MAE为:', num2str(mae2)])
% MBE
mbe1 = sum(T_sim1 - T_train) ./ M ;
mbe2 = sum(T_sim2 - T_test ) ./ N ;
disp(['训练集数据的MBE为:', num2str(mbe1)])
disp(['测试集数据的MBE为:', num2str(mbe2)])
%% 绘制散点图
sz = 25;
c = 'b';
figure
scatter(T_train, T_sim1, sz, c)
hold on
plot(xlim, ylim, '--k')
xlabel('训练集真实值');
ylabel('训练集预测值');
xlim([min(T_train) max(T_train)])
ylim([min(T_sim1) max(T_sim1)])
title('训练集预测值 vs. 训练集真实值')
figure
scatter(T_test, T_sim2, sz, c)
hold on
plot(xlim, ylim, '--k')
xlabel('测试集真实值');
ylabel('测试集预测值');
xlim([min(T_test) max(T_test)])
ylim([min(T_sim2) max(T_sim2)])
title('测试集预测值 vs. 测试集真实值')
没有合适的资源?快使用搜索试试~ 我知道了~
【股价预测】基于matlab极限学习机结合集成学习ELM-Adaboost股价预测【含Matlab源码 4634期】.zip
共10个文件
png:4个
m:4个
xlsx:2个
1.该资源内容由用户上传,如若侵权请联系客服进行举报
2.虚拟产品一经售出概不退款(资源遇到问题,请及时私信上传者)
2.虚拟产品一经售出概不退款(资源遇到问题,请及时私信上传者)
版权申诉
0 下载量 38 浏览量
2024-10-20
23:25:35
上传
评论
收藏 246KB ZIP 举报
温馨提示
CSDN海神之光上传的全部代码均可运行,亲测可用,直接替换数据即可,适合小白; 1、代码压缩包内容 主函数:Main .m; 调用函数:其他m文件;无需运行 运行结果效果图; 2、代码运行版本 Matlab 2019b;若运行有误,根据提示修改;若不会,可私信博主; 3、运行操作步骤 步骤一:将所有文件放到Matlab的当前文件夹中; 步骤二:双击打开除Main.m的其他m文件; 步骤三:点击运行,等程序运行完得到结果; 4、仿真咨询 如需其他服务,可私信博主或扫描博主博客文章底部QQ名片; 4.1 CSDN博客或资源的完整代码提供 4.2 期刊或参考文献复现 4.3 Matlab程序定制 4.4 科研合作
资源推荐
资源详情
资源评论
收起资源包目录
【股价预测】基于matlab极限学习机结合集成学习ELM-Adaboost股价预测【含Matlab源码 4634期】.zip (10个子文件)
【股价预测】基于matlab极限学习机结合集成学习ELM-Adaboost股价预测【含Matlab源码 4634期】
elmtrain.m 1KB
3.png 46KB
elmpredict.m 529B
main.m 4KB
数据集.xlsx 26KB
1.png 54KB
数据.xlsx 43KB
4.png 35KB
data_process.m 174B
2.png 50KB
共 10 条
- 1
资源评论
海神之光
- 粉丝: 5w+
- 资源: 6110
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
最新资源
资源上传下载、课程学习等过程中有任何疑问或建议,欢迎提出宝贵意见哦~我们会及时处理!
点击此处反馈
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功