基于支持向量机SVM的沉降预测

tic %% 加载数据 clc clear close all format long format compact%% 网络结构建立 %读取数据 load maydata.mat data=num; input=data(:,1:4);%输入 output=data(:,5);%输出 % 归一化 [inputn,inputns]=mapminmax(input',0,1); data=inputn'; [outputn,outputns]=mapminmax(output',0,1); output1=outputn'; %% 随机划分数据集 86组为训练集 剩下10组为测试集 rand('seed',0) n =randperm(length(output)); m=300; P_train=data(n(1:m),:); T_train=output1(n(1:m),:); P_test=data((m+1:end),:); T_test=output1((m+1:end),:); %% 利用训练集参数进行SVM网络训练 bestc=17.5;bestg=3.1; %确定的最佳参数 cmd = ['-s 3 -t 0 ','-c ', num2str(bestc), ' -g ', num2str(bestg) , ' -p 0.1'];%多项式SVM model = svmtrain(T_train,P_train,cmd); %% SVM测试集 x=zeros(size(T_test,1),1); [predict,fit]= svmpredict(T_test,P_test,model); % 反归一化 predict1=mapminmax('reverse',predict',outputns); T_test=mapminmax('reverse',T_test',outputns); load maymodel0.mat %% 结果分析 disp('显示结果') bestc bestg % error=predict1-T_test; mse_svm=mse(error) toc figure plot(predict1,'r-*') hold on plot(T_test,'b-o') xlabel('测试集样本编号') ylabel('沉降') title('线性核函数SVM测试集') legend('输出参数','实际参数') figure plot(error,'-*') title('SVM预测误差','fontsize',12) ylabel('误差','fontsize',12) xlabel('样本','fontsize',12)%X轴 [MSE, RMSE, MBE, MAE ] =MSE_RMSE_MBE_MAE(T_test,predict1) R2 = R_2(T_test,predict1) %