SVM神经网络的信息粒化时序回归预测

title('Low

归一化后的图像

','F ontSize',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< /p>

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

%% < /p>

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('

< br>粒化窗口数目

','FontSize',12);

y label('

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_ = 100;

r_ = 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