matlab30个案例分析案例14-SVM神经网络的回归预测分析Word格式文档下载.docx

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）ylabel（开盘数grid on;% 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plot（TS,原始上证指数的每日开盘数归一化后的图像归一

2、化后的开盘数% 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（ Best Cross Validation MSE

3、 = %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（TS,TSX,-4,4,-4,4,3,0.5,0.5,0.05）;% 打印精细选择结果打印精细选择结果% 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） , -s 3 -p 0.01;model = svmtrain（TS,TSX,cmd）;% SVM网络回归预测pred

4、ict,mse = svmpredict（TS,TSX,model）;predict = mapminmax（reverse,predict,TSps）;predict = predict% 打印回归结果均方误差 MSE = %g 相关系数 R = %g%,mse（2）,mse（3）*100）;% 结果分析hold on;-oplot（predict,r-legend（原始数据回归预测数据hold off;原始数据和回归预测数据对比error = predict - tsplot（error,rd误差图（predicted data - original data）误差量error = （pr

5、edict - ts）./ts相对误差图（predicted data - original data）/original data相对误差量snapnow;toc;% 子函数 SVMcgForRegress.mfunction mse,bestc,bestg = SVMcgForRegress（train_label,train,cmin,cmax,gmin,gmax,v,cstep,gstep,msestep）%SVMcg cross validation by faruto% by faruto%Email:patrick.lee QQ:516667408 BNU%last modifi

6、ed 2010.01.17%Super Moderator % 若转载请注明：% faruto and liyang , LIBSVM-farutoUltimateVersion % a toolbox with implements for support vector machines based on libsvm, 2009. % Software available at % % Chih-Chung Chang and Chih-Jen Lin, LIBSVM : a library for% support vector machines, 2001. Software avai

7、lable at% http:/www.csie.ntu.edu.tw/cjlin/libsvm% about the parameters of SVMcg if nargin 10 msestep = 0.06;end 8 cstep = 0.8; gstep = 0.8; 7 v = 5; 5 gmax = 8; gmin = -8; 3 cmax = 8; cmin = -8;% X:c Y:g cg:accX,Y = meshgrid（cmin:cstep:cmax,gmin:gstep:gmax）;m,n = size（X）;cg = zeros（m,n）;eps = 10（-4）

8、;bestc = 0;bestg = 0;mse = Inf;basenum = 2;for i = 1:m for j = 1:n cmd = -v ,num2str（v）, -c ,num2str（ basenumX（i,j） ）,num2str（ basenumY（i,j） ）, -s 3 -p 0.1 cg（i,j） = svmtrain（train_label, train, cmd）; if cg（i,j） mse mse = cg（i,j）; bestc = basenumX（i,j）; bestg = basenumY（i,j）; end if abs（ cg（i,j）-mse

9、 ） basenumX（i,j） end% to draw the acc with different c & gcg,ps = mapminmax（cg,0,1）;C,h = contour（X,Y,cg,0:msestep:0.5）;clabel（C,h,10,Colorrlog2clog2gfirstline = SVR参数选择结果图（等高线图）GridSearchMethodsecondline = Best c=,num2str（bestc）, g=,num2str（bestg）, . CVmse=,num2str（mse）;title（firstline;secondline,Fontsizemeshc（X,Y,cg）;% mesh（X,Y,cg）;% surf（X,Y,cg）;axis（cmin,cmax,gmin,gmax,0,1）;zlabel（MSESVR参数选择结果图（3D视图）GridSearchMethod