clc
clear
close all
%读取double格式数据
[num1,ax,ay ]= xlsread('沪深300指数.csv',1);
num=[];
n1 = length(num1);
num = [];
for ii = 1:n1-1
num = [num ; [num1(ii,:) num1(ii+1,1)]];
end
m = round(0.6*length(num));
n = 1:length(num);
input_train =num(n(1:m),1:9);%训练数据输出数据
output_train = num(n(1:m),10);%训练数据输入数据
input_test = num(m+1:end,1:9);%测试数据输出数据
output_test = num(m+1:end,10);%测试数据输入数据
[inputn,inputps]=mapminmax(input_train',-1,1);%训练数据的输入数据的归一化
[outputn,outputps]=mapminmax(output_train',-1,1);%训练数据的输出数据的归一化de
inputn_test=mapminmax('apply',input_test',inputps);
%% Define Network Architecture
% Define the network architecture.
numFeatures = size(num(:,1:9),2);%输入层维度
numResponses = size(num(:,end),2);%输出维度
% 200 hidden units
numHiddenUnits = 70;%第一层维度
% a fully connected layer of size 50 & a dropout layer with dropout probability 0.5
layers = [ ...
sequenceInputLayer(numFeatures)%输入层
lstmLayer(numHiddenUnits,'OutputMode','sequence')%第一层
fullyConnectedLayer(60)%链接层
dropoutLayer(0.5)%遗忘层
fullyConnectedLayer(numResponses)%链接层
regressionLayer];%回归层
% Specify the training options.
% Train for 60 epochs with mini-batches of size 20 using the solver 'adam'
maxEpochs = 60;%最大迭代次数
miniBatchSize = 30;%最小批量
% the learning rate == 0.01
% set the gradient threshold to 1
% set 'Shuffle' to 'never'
options = trainingOptions('adam', ... %解算器
'MaxEpochs',maxEpochs, ... %最大迭代次数
'MiniBatchSize',miniBatchSize, ... %最小批次
'InitialLearnRate',0.01, ... %初始学习率
'GradientThreshold',inf, ... %梯度阈值
'Shuffle','every-epoch', ... %打乱顺序
'Plots','training-progress',... %画图
'Verbose',0); %不输出训练过程
%% Train the Network
net = trainNetwork(inputn,outputn,layers,options);%开始训练
%% Test the Network
y_pred = predict(net,inputn_test,'MiniBatchSize',1)';%测试仿真输出
y_pred=(mapminmax('reverse',y_pred,outputps))';
%%
figure%打开一个图像窗口
plot(y_pred,'k-*')%黑色实线,点的形状为*
hold on%继续画图
plot(output_test,'r-o')%红色实线,点的形状为o
hold off%停止画图
title('测试图')%标题
ylabel('y')%Y轴名称
legend('测试值','实际值')%标签
error1 = y_pred'-output_test;%误差
figure
plot(error1,'k-*')
title('测试误差图')
ylabel('误差')
[MSE,RMSE,MBE,MAE ] =MSE_RMSE_MBE_MAE(output_test',y_pred)
R2 = R_2(output_test',y_pred)
没有合适的资源?快使用搜索试试~ 我知道了~
温馨提示
基于MATLAB编程,用长短期神经网络LSTM进行沪深300指数预测,沪深300指数是一种时间序列的数据,用LSTM比一般神经网络 更适合,代码完整,包含数据,有注释,方便扩展应用 1,如有疑问,不会运行,可以私信, 2,需要创新,或者修改可以扫描二维码联系博主, 3,本科及本科以上可以下载应用或者扩展, 4,内容不完全匹配要求或需求,可以联系博主扩展。
资源推荐
资源详情
资源评论
收起资源包目录
代码.rar (4个子文件)
MSE_RMSE_MBE_MAE.m 361B
R_2.m 317B
main2.m 3KB
沪深300指数.csv 448KB
共 4 条
- 1
资源评论
- 2301_794040302023-09-06超赞的资源,感谢资源主分享,大家一起进步!
神经网络机器学习智能算法画图绘图
- 粉丝: 2784
- 资源: 659
下载权益
C知道特权
VIP文章
课程特权
开通VIP
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
- “人力资源+大数据+薪酬报告+涨薪调薪”
- PVE系统配置优化脚本
- “人力资源+大数据+薪酬报告+涨薪调薪”
- 含源码java Swing基于socket实现的五子棋含客户端和服务端
- 【java毕业设计】鹿幸公司员工在线餐饮管理系统的设计与实现源码(springboot+vue+mysql+LW).zip
- OpenCV C++第三方库
- 毕设分享:基于SpringBoot+Vue的礼服租聘系统-后端
- 复合铜箔:预计到2025年,这一数字将跃升至291.5亿元,新材料革命下的市场蓝海
- 【java毕业设计】流浪动物管理系统源码(springboot+vue+mysql+说明文档+LW).zip
- 【源码+数据库】采用纯原生的方式,基于mybatis框架实现增删改查
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