matlab30个案例分析案例14-SVM神经网络的回归预测分析.docx
《matlab30个案例分析案例14-SVM神经网络的回归预测分析.docx》由会员分享，可在线阅读，更多相关《matlab30个案例分析案例14-SVM神经网络的回归预测分析.docx（5页珍藏版）》请在冰豆网上搜索。
%%SVM神经网络的回归预测分析---上证指数开盘指数预测
%
%%清空环境变量
functionchapter14
tic;
closeall;
clear;
clc;
formatcompact;
%%数据的提取和预处理
%载入测试数据上证指数（1990.12.19-2009.08.19）
%数据是一个4579*6的double型的矩阵,每一行表示每一天的上证指数
%6列分别表示当天上证指数的开盘指数,指数最高值,指数最低值,收盘指数,当日交易量,当日交易额.
loadchapter14_sh.mat;
%提取数据
[m,n]=size（sh）;
ts=sh（2:
m,1）;
tsx=sh（1:
m-1,:
）;
%画出原始上证指数的每日开盘数
figure;
plot（ts,'LineWidth',2）;
title（'上证指数的每日开盘数（1990.12.20-2009.08.19）','FontSize',12）;
xlabel（'交易日天数（1990.12.19-2009.08.19）','FontSize',12）;
ylabel（'开盘数','FontSize',12）;
gridon;
%数据预处理,将原始数据进行归一化
ts=ts';
tsx=tsx';
%mapminmax为matlab自带的映射函数
%对ts进行归一化
[TS,TSps]=mapminmax（ts,1,2）;
%画出原始上证指数的每日开盘数归一化后的图像
figure;
plot（TS,'LineWidth',2）;
title（'原始上证指数的每日开盘数归一化后的图像','FontSize',12）;
xlabel（'交易日天数（1990.12.19-2009.08.19）','FontSize',12）;
ylabel（'归一化后的开盘数','FontSize',12）;
gridon;
%对TS进行转置,以符合libsvm工具箱的数据格式要求
TS=TS';
%mapminmax为matlab自带的映射函数
%对tsx进行归一化
[TSX,TSXps]=mapminmax（tsx,1,2）;
%对TSX进行转置,以符合libsvm工具箱的数据格式要求
TSX=TSX';
%%选择回归预测分析最佳的SVM参数c&g
%首先进行粗略选择:
[bestmse,bestc,bestg]=SVMcgForRegress（TS,TSX,-8,8,-8,8）;
%打印粗略选择结果
disp（'打印粗略选择结果'）;
str=sprintf（'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（TS,TSX,-4,4,-4,4,3,0.5,0.5,0.05）;
%打印精细选择结果
disp（'打印精细选择结果'）;
str=sprintf（'BestCrossValidationMSE=%gBestc=%gBestg=%g',bestmse,bestc,bestg）;
disp（str）;
%%利用回归预测分析最佳的参数进行SVM网络训练
cmd=['-c',num2str（bestc）,'-g',num2str（bestg）,'-s3-p0.01'];
model=svmtrain（TS,TSX,cmd）;
%%SVM网络回归预测
[predict,mse]=svmpredict（TS,TSX,model）;
predict=mapminmax（'reverse',predict',TSps）;
predict=predict';
%打印回归结果
str=sprintf（'均方误差MSE=%g相关系数R=%g%%',mse
（2）,mse（3）*100）;
disp（str）;
%%结果分析
figure;
holdon;
plot（ts,'-o'）;
plot（predict,'r-^'）;
legend（'原始数据','回归预测数据'）;
holdoff;
title（'原始数据和回归预测数据对比','FontSize',12）;
xlabel（'交易日天数（1990.12.19-2009.08.19）','FontSize',12）;
ylabel（'开盘数','FontSize',12）;
gridon;
figure;
error=predict-ts';
plot（error,'rd'）;
title（'误差图（predicteddata-originaldata）','FontSize',12）;
xlabel（'交易日天数（1990.12.19-2009.08.19）','FontSize',12）;
ylabel（'误差量','FontSize',12）;
gridon;
figure;
error=（predict-ts'）./ts';
plot（error,'rd'）;
title（'相对误差图（predicteddata-originaldata）/originaldata','FontSize',12）;
xlabel（'交易日天数（1990.12.19-2009.08.19）','FontSize',12）;
ylabel（'相对误差量','FontSize',12）;
gridon;
snapnow;
toc;
%%子函数SVMcgForRegress.m
function[mse,bestc,bestg]=SVMcgForRegress（train_label,train,cmin,cmax,gmin,gmax,v,cstep,gstep,msestep）
%SVMcgcrossvalidationbyfaruto
%
%byfaruto
%Email:
patrick.lee@QQ:
516667408BNU
%lastmodified2010.01.17
%SuperModerator@
%若转载请注明：
%farutoandliyang,LIBSVM-farutoUltimateVersion
%atoolboxwithimplementsforsupportvectormachinesbasedonlibsvm,2009.
%Softwareavailableat
%
%Chih-ChungChangandChih-JenLin,LIBSVM:
alibraryfor
%supportvectormachines,2001.Softwareavailableat
%http:
//www.csie.ntu.edu.tw/~cjlin/libsvm
%abouttheparametersofSVMcg
ifnargin<10
msestep=0.06;
end
ifnargin<8
cstep=0.8;
gstep=0.8;
end
ifnargin<7
v=5;
end
ifnargin<5
gmax=8;
gmin=-8;
end
ifnargin<3
cmax=8;
cmin=-8;
end
%X:
cY:
gcg:
acc
[X,Y]=meshgrid（cmin:
cstep:
cmax,gmin:
gstep:
gmax）;
[m,n]=size（X）;
cg=zeros（m,n）;
eps=10^（-4）;
bestc=0;
bestg=0;
mse=Inf;
basenum=2;
fori=1:
m
forj=1:
n
cmd=['-v',num2str（v）,'-c',num2str（basenum^X（i,j））,'-g',num2str（basenum^Y（i,j））,'-s3-p0.1'];
cg（i,j）=svmtrain（train_label,train,cmd）;
ifcg（i,j）mse=cg（i,j）;
bestc=basenum^X（i,j）;
bestg=basenum^Y（i,j）;
end
ifabs（cg（i,j）-mse）<=eps&&bestc>basenum^X（i,j）
mse=cg（i,j）;
bestc=basenum^X（i,j）;
bestg=basenum^Y（i,j）;
end
end
end
%todrawtheaccwithdifferentc&g
[cg,ps]=mapminmax（cg,0,1）;
figure;
[C,h]=contour（X,Y,cg,0:
msestep:
0.5）;
clabel（C,h,'FontSize',10,'Color','r'）;
xlabel（'log2c','FontSize',12）;
ylabel（'log2g','FontSize',12）;
firstline='SVR参数选择结果图（等高线图）[GridSearchMethod]';
secondline=['Bestc=',num2str（bestc）,'g=',num2str（bestg）,...
'CVmse=',num2str（mse）];
title（{firstline;secondline},'Fontsize',12）;
gridon;
figure;
meshc（X,Y,cg）;
%mesh（X,Y,cg）;
%surf（X,Y,cg）;
axis（[cmin,cmax,gmin,gmax,0,1]）;
xlabel（'log2c','FontSize',12）;
ylabel（'log2g','FontSize',12）;
zlabel（'MSE','FontSize',12）;
firstline='SVR参数选择结果图（3D视图）[GridSearchMethod]';
secondline=['Bestc=',num2str（bestc）,'g='
升级会员 