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.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.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.docx（14页珍藏版）》请在冰豆网上搜索。
%%SVM神经网络的信息粒化时序回归预测----上证指数开盘指数变化趋势和变化空间预测
%%清空环境变量
functionchapter15
tic;
closeall;
clear;
clc;
formatcompact;
%%原始数据的提取
%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.
loadchapter15_sh.mat;
%提取数据
ts=sh_open;
time=length（ts）;
%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;
print-dtiff-r600original;
snapnow;
%%对原始数据进行模糊信息粒化
win_num=floor（time/5）;
tsx=1:
win_num;
tsx=tsx';
[Low,R,Up]=FIG_D（ts','triangle',win_num）;
%模糊信息粒化可视化图
figure;
holdon;
plot（Low,'b+'）;
plot（R,'r*'）;
plot（Up,'gx'）;
holdoff;
legend（'Low','R','Up',2）;
title（'模糊信息粒化可视化图','FontSize',12）;
xlabel（'粒化窗口数目','FontSize',12）;
ylabel（'粒化值','FontSize',12）;
gridon;
print-dtiff-r600FIGpic;
snapnow;
%%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
figure;
plot（low,'b+'）;
title（'Low归一化后的图像','FontSize',12）;
xlabel（'粒化窗口数目','FontSize',12）;
ylabel（'归一化后的粒化值','FontSize',12）;
gridon;
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';
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（'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
disp（'打印精细选择结果'）;
str=sprintf（'SVMparametersforLow:
BestCrossValidationMSE=%gBestc=%gBestg=%g',bestmse,bestc,bestg）;
disp（str）;
%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（'reverse',predict_low,low_ps）;
predict_low
%%对于Low的回归预测结果分析
figure;
holdon;
plot（Low,'b+'）;
plot（low_predict,'r*'）;
legend（'originallow','predictlow',2）;
title（'originalvspredict','FontSize',12）;
xlabel（'粒化窗口数目','FontSize',12）;
ylabel（'粒化值','FontSize',12）;
gridon;
print-dtiff-r600lowresult;
figure;
error=low_predict-Low';
plot（error,'ro'）;
title（'误差（predicteddata-originaldata）','FontSize',12）;
xlabel（'粒化窗口数目','FontSize',12）;
ylabel（'误差量','FontSize',12）;
gridon;
print-dtiff-r600lowresulterror;
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_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
figure;
plot（r,'r*'）;
title（'r归一化后的图像','FontSize',12）;
gridon;
%对R进行转置,以符合libsvm工具箱的数据格式要求
r=r';
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（r,tsx,-10,10,-10,10,3,1,1,0.1）;
%打印粗略选择结果
disp（'打印粗略选择结果'）;
str=sprintf（'SVMparametersforR:
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（r,tsx,-4,8,-10,10,3,0.5,0.5,0.05）;
%打印精细选择结果
disp（'打印精细选择结果'）;
str=sprintf（'SVMparametersforR:
BestCrossValidationMSE=%gBestc=%gBestg=%g',bestmse,bestc,bestg）;
disp（str）;
%训练SVM
cmd=['-c',num2str（bestc）,'-g',num2str（bestg）,'-s3-p0.1'];
r_model=svmtrain（r,tsx,cmd）;
%预测
[r_predict,r_mse]=svmpredict（r,tsx,low_model）;
r_predict=mapminmax（'reverse',r_predict,r_ps）;
predict_r=svmpredict（1,win_num+1,r_model）;
predict_r=mapminmax（'reverse',predict_r,r_ps）;
predict_r
%%对于R的回归预测结果分析
figure;
holdon;
plot（R,'b+'）;
plot（r_predict,'r*'）;
legend（'originalr','predictr',2）;
title（'originalvspredict','FontSize',12）;
gridon;
figure;
error=r_predict-R';
plot（error,'ro'）;
title（'误差（predicteddata-originaldata）','FontSize',12）;
gridon;
snapnow;
%%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
%mapminmax为matlab自带的映射函数
[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
figure;
plot（up,'gx'）;
title（'Up归一化后的图像','FontSize',12）;
gridon;
%对up进行转置,以符合libsvm工具箱的数据格式要求
up=up';
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（up,tsx,-10,10,-10,10,3,1,1,0.5）;
%打印粗略选择结果
disp（'打印粗略选择结果'）;
str=sprintf（'SVMparametersforUp:
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（up,tsx,-4,8,-10,10,3,0.5,0.5,0.2）;
%打印精
升级会员 