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

资源描述

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。

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

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'

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&

%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<

flag=0;

end

msestep=0.1;

v=3;

cstep=1;

gstep=1;

gmax=5;

gmin=-5;

cmax=5;

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:

forj=1:

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&

[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'

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=['

num2str（bestc）,'

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;

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=[];

展开阅读全文