matlab30个案例分析案例15-SVM神经网络的信息粒化时序回归预测Word文档格式.docx
- 文档编号:4093085
- 上传时间:2023-05-02
- 格式:DOCX
- 页数:14
- 大小:25.28KB
matlab30个案例分析案例15-SVM神经网络的信息粒化时序回归预测Word文档格式.docx
《matlab30个案例分析案例15-SVM神经网络的信息粒化时序回归预测Word文档格式.docx》由会员分享,可在线阅读,更多相关《matlab30个案例分析案例15-SVM神经网络的信息粒化时序回归预测Word文档格式.docx(14页珍藏版)》请在冰点文库上搜索。
win_num;
tsx=tsx'
;
[Low,R,Up]=FIG_D(ts'
triangle'
win_num);
%模糊信息粒化可视化图
holdon;
plot(Low,'
b+'
);
plot(R,'
r*'
plot(Up,'
gx'
holdoff;
legend('
Low'
R'
Up'
模糊信息粒化可视化图'
粒化窗口数目'
粒化值'
print-dtiff-r600FIGpic;
%%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
plot(low,'
Low归一化后的图像'
归一化后的粒化值'
print-dtiff-r600lowscale;
%对low进行转置,以符合libsvm工具箱的数据格式要求
low=low'
%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('
SVMparametersforLow:
BestCrossValidationMSE=%gBestc=%gBestg=%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
打印精细选择结果'
%训练SVM
cmd=['
-c'
num2str(bestc),'
-g'
num2str(bestg),'
-s3-p0.1'
];
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('
predict_low,low_ps);
predict_low
%%对于Low的回归预测结果分析
plot(low_predict,'
originallow'
predictlow'
originalvspredict'
print-dtiff-r600lowresult;
error=low_predict-Low'
plot(error,'
ro'
误差(predicteddata-originaldata)'
误差量'
print-dtiff-r600lowresulterror;
%%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
[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
plot(r,'
r归一化后的图像'
%对R进行转置,以符合libsvm工具箱的数据格式要求
r=r'
[bestmse,bestc,bestg]=SVMcgForRegress(r,tsx,-10,10,-10,10,3,1,1,0.1);
SVMparametersforR:
[bestmse,bestc,bestg]=SVMcgForRegress(r,tsx,-4,8,-10,10,3,0.5,0.5,0.05);
r_model=svmtrain(r,tsx,cmd);
[r_predict,r_mse]=svmpredict(r,tsx,low_model);
r_predict=mapminmax('
r_predict,r_ps);
predict_r=svmpredict(1,win_num+1,r_model);
predict_r=mapminmax('
predict_r,r_ps);
predict_r
%%对于R的回归预测结果分析
plot(r_predict,'
originalr'
predictr'
error=r_predict-R'
%%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
[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
plot(up,'
Up归一化后的图像'
%对up进行转置,以符合libsvm工具箱的数据格式要求
up=up'
[bestmse,bestc,bestg]=SVMcgForRegress(up,tsx,-10,10,-10,10,3,1,1,0.5);
SVMparametersforUp:
[bestmse,bestc,bestg]=SVMcgForRegress(up,tsx,-4,8,-10,10,3,0.5,0.5,0.2);
up_model=svmtrain(up,tsx,cmd);
[up_predict,up_mse]=svmpredict(up,tsx,up_model);
up_predict=mapminmax('
up_predict,up_ps);
predict_up=svmpredict(1,win_num+1,up_model);
predict_up=mapminmax('
predict_up,up_ps);
predict_up
%%对于Up的回归预测结果分析
plot(up_predict,'
originalup'
predictup'
error=up_predict-Up'
toc;
%%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:
训练集标签.要求与libsvm工具箱中要求一致.
%train:
训练集.要求与libsvm工具箱中要求一致.
%cmin:
惩罚参数c的变化范围的最小值(取以2为底的对数后),即c_min=2^(cmin).默认为-5
%cmax:
惩罚参数c的变化范围的最大值(取以2为底的对数后),即c_max=2^(cmax).默认为5
%gmin:
参数g的变化范围的最小值(取以2为底的对数后),即g_min=2^(gmin).默认为-5
%gmax:
参数g的变化范围的最小值(取以2为底的对数后),即g_min=2^(gmax).默认为5
%v:
crossvalidation的参数,即给测试集分为几部分进行crossvalidation.默认为3
%cstep:
参数c步进的大小.默认为1
%gstep:
参数g步进的大小.默认为1
%msestep:
最后显示MSE图时的步进大小.默认为20
%输出:
%bestacc:
CrossValidation过程中的最高分类准确率
%bestc:
最佳的参数c
%bestg:
最佳的参数g
%abouttheparametersofSVMcgForRegress
ifnargin<
11
flag=0;
end
10
msestep=0.1;
7
v=3;
cstep=1;
gstep=1;
6
gmax=5;
5
gmin=-5;
4
cmax=5;
3
cmin=-5;
%X:
cY:
gcg:
mse
[X,Y]=meshgrid(cmin:
cstep:
cmax,gmin:
gstep:
gmax);
[m,n]=size(X);
cg=zeros(m,n);
%recordaccuracywithdifferentc&
g,andfindthebestmsewiththesmallestc
bestc=0;
bestg=0;
mse=10^10;
basenum=2;
fori=1:
m
forj=1:
n
cmd=['
-v'
num2str(v),'
-c'
num2str(basenum^X(i,j)),'
num2str(basenum^Y(i,j)),'
-s3'
cg(i,j)=svmtrain(train_label,train,cmd);
ifcg(i,j)<
mse
mse=cg(i,j);
bestc=basenum^X(i,j);
bestg=basenum^Y(i,j);
end
if(cg(i,j)==mse&
&
bestc>
basenum^X(i,j))
end
%drawtheaccuracywithdifferentc&
g
[cg,ps]=mapminmax(cg,0,1);
subplot(1,2,1);
[C,h]=contour(X,Y,cg,0:
msestep:
0.5);
clabel(C,h,'
10,'
Color'
r'
log2c'
log2g'
参数选择结果图(等高线图)'
subplot(1,2,2);
meshc(X,Y,cg);
%mesh(X,Y,cg);
%surf(X,Y,cg);
axis([cmin,cmax,gmin,gmax,0,1]);
zlabel('
MSE'
参数选择结果图(3D视图)'
filename=['
c'
num2str(bestc),'
g'
num2str(bestg),num2str(msestep),'
.tif'
ifflag==1;
print('
-dtiff'
-r600'
filename);
其中,
function[low,R,up]=FIG_D(XX,MFkind,win_num)
%byLiYangBNUMATH05Email:
farutoliyang@QQ:
516667408
%lastmodified2009.2.25
%modifiedIGbasedonPedrybyKeqiangDong
%output
%low:
lowbounds
%R:
representatives
%up:
upbounds
%input
%X:
timesserieswaitedtobeIG
%MFkind:
thekindofmembershipfunction
%triangletrapezoidasygaussasyparabola
%win_num:
numberofwindows
%%
win_num=10;
2
MFkind='
trapezoid'
[d1,d2]=size(XX);
X=sort(XX);
switchMFkind
%trapezoid
case('
)
ifwin_num==1
ifmod(d2,2)~=0
m=X((d2+1)/2);
n=X((d2+1)/2);
mflag=(d2+1)/2;
nflag=(d2+1)/2;
else
m=X(d2/2);
n=X((d2+2)/2);
mflag=d2/2;
nflag=(d2+2)/2;
end
R(1,1)=m;
R(2,1)=n;
k1=mflag;
k2=d2-nflag+1;
c1=(sum(X(1:
k1)))/k1;
c2=(sum(X(nflag:
d2)))/k2;
low=2*c1-m;
up=2*c2-n;
else
low=[];
R=[];
up=[];
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- matlab30 案例 分析 15 SVM 神经网络 信息 时序 回归 预测