【时间序列预测】最小均方（LMS）算法时间序列预测【含Matlab源码 1335期】

⛄一、运行结果

✅博主简介：热爱科研的Matlab仿真开发者，修心和技术同步精进，Matlab项目合作可私信。
🍎个人主页：海神之光
🏆代码获取方式：
海神之光Matlab王者学习之路—代码获取方式
⛳️座右铭：行百里者，半于九十。

更多Matlab仿真内容点击👇
Matlab图像处理（进阶版）
路径规划（Matlab）
神经网络预测与分类（Matlab）
优化求解（Matlab）
语音处理（Matlab）
信号处理（Matlab）
车间调度（Matlab）

⛄二、最小均方（LMS）算法简介

理论知识参考：最小均方算法（LMS）

⛄三、部分源代码

%% Mackey Glass Time Series Prediction Using Least Mean Square (LMS)
% Author: 紫极神光
clc
clear all
close all

%% Loading Time series data
% I generated a series y(t) for t = 0,1, . . . ,3000, using
% mackey glass series equation with the following configurations:
% b = 0.1, a = 0.2, Tau = 20, and the initial conditions y(t - Tau) = 0.
load Dataset\Data.mat
time_steps=2;
teacher_forcing=1; % recurrent ARMA modelling with forced desired input after defined time steps
%% Training and Testing datasets
% For training
Tr=Data(100:2500,1); % Selecting a Interval of series data t = 100~2500

% For testing
Ts=Data(2500:3000,1); % Selecting a Interval of series data t = 2500~3000
Ys(Ts)=Data(Ts,2); % Selecting a chuck of series data y(t)

%% LMS Parameters

eta=5e-3; % Learning rate
M=1; % Order of LMS filter

MSE=[]; % Initial mean squared error (MSE)

%% Learning weights of LMS (Training)
tic % start
for t=Tr(1):Tr(end)-time_steps
U(1:end-1)=U(2:end); % Shifting of tap window

if (teacher_forcing==1)
    if rem(t,time_steps)==0 || (t==Tr(1))
        U(end)=Yr(t);           % Input (past/current samples)
    else
        U(end)=Yp(t-1);          % Input (past/current samples)          
    end
else
    U(end)=Yr(t);           % Input (past/current samples)
end


e(t)=Yr(t+time_steps)-Yp(t);        % Error in predicted output

W=W+eta*e(t)*U;     % Weight update rule of LMS

end
training_time=toc; % total time including training and calculation of MSE

%% Prediction of a next outcome of series using previous samples (Testing)
tic % start
U=U*0; % Reinitialization of taps (optional)
for t=Ts(1):Ts(end)-time_steps+1
U(1:end-1)=U(2:end); % Shifting of tap window

if (teacher_forcing==1)
    if rem(t,time_steps)==0 || (t==Ts(1))
        U(end)=Ys(t);           % Input (past/current samples)
    else
        U(end)=Yp(t-1);          % Input (past/current samples)          
    end
else
 


Yp(t)=W'*U;             % Calculating output (future value)
e(t)=Ys(t+time_steps-1)-Yp(t);        % Error in predicted output

E(t)=e(t).^2;   % Current mean squared error (MSE)

end
testing_time=toc; % total time including testing and calculation of MSE

%% Results
figure(1)
plot(Tr,10log10(E(Tr))); % MSE curve
hold on
plot(Ts(1:end-time_steps+1),10log10(E(Ts(1:end-time_steps+1))),‘r’); % MSE curve
grid minor

title(‘Cost Function’);
xlabel(‘Iterations (samples)’);
ylabel(‘Mean Squared Error (MSE)’);
legend(‘Training Phase’,‘Test Phase’);

figure(2)
plot(Tr(2M:end),Yr(Tr(2M:end))); % Actual values of mackey glass series
hold on
plot(Tr(2M:end),Yp(Tr(2M:end))‘,‘r’) % Predicted values during training
plot(Ts,Ys(Ts),’–b’); % Actual unseen data
plot(Ts(1:end-time_steps+1),Yp(Ts(1:end-time_steps+1))‘,’–r’); % Predicted values of mackey glass series (testing)
xlabel(‘Time: t’);
ylabel(‘Output: Y(t)’);
title(‘Mackey Glass Time Series Prediction Using Least Mean Square (LMS)’)
ylim([min(Ys)-0.5, max(Ys)+0.5])
legend(‘Training Phase (desired)’,‘Training Phase (predicted)’,‘Test Phase (desired)’,‘Test Phase (predicted)’);

mitr=10log10(mean(E(Tr))); % Minimum MSE of training
mits=10log10(mean(E(Ts(1:end-time_steps+1)))); % Minimum MSE of testing

display(sprintf(‘Total training time is %.5f, \nTotal testing time is %.5f \nMSE value during training %.3f (dB),\nMSE value during testing %.3f (dB)’, …
training_time,testing_time,mitr,mits));

⛄四、matlab版本及参考文献

1 matlab版本
2014a

2 参考文献
[1] 包子阳,余继周,杨杉.智能优化算法及其MATLAB实例（第2版）[M].电子工业出版社，2016.
[2]张岩,吴水根.MATLAB优化算法源代码[M].清华大学出版社，2017.

3 备注
简介此部分摘自互联网，仅供参考，若侵权，联系删除

🍅 仿真咨询
1 各类智能优化算法改进及应用
生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化

2 机器学习和深度学习方面
卷积神经网络（CNN）、LSTM、支持向量机（SVM）、最小二乘支持向量机（LSSVM）、极限学习机（ELM）、核极限学习机（KELM）、BP、RBF、宽度学习、DBN、RF、RBF、DELM、XGBOOST、TCN实现风电预测、光伏预测、电池寿命预测、辐射源识别、交通流预测、负荷预测、股价预测、PM2.5浓度预测、电池健康状态预测、水体光学参数反演、NLOS信号识别、地铁停车精准预测、变压器故障诊断

3 图像处理方面
图像识别、图像分割、图像检测、图像隐藏、图像配准、图像拼接、图像融合、图像增强、图像压缩感知

4 路径规划方面
旅行商问题（TSP）、车辆路径问题（VRP、MVRP、CVRP、VRPTW等）、无人机三维路径规划、无人机协同、无人机编队、机器人路径规划、栅格地图路径规划、多式联运运输问题、车辆协同无人机路径规划、天线线性阵列分布优化、车间布局优化

5 无人机应用方面
无人机路径规划、无人机控制、无人机编队、无人机协同、无人机任务分配

6 无线传感器定位及布局方面
传感器部署优化、通信协议优化、路由优化、目标定位优化、Dv-Hop定位优化、Leach协议优化、WSN覆盖优化、组播优化、RSSI定位优化

7 信号处理方面
信号识别、信号加密、信号去噪、信号增强、雷达信号处理、信号水印嵌入提取、肌电信号、脑电信号、信号配时优化

8 电力系统方面
微电网优化、无功优化、配电网重构、储能配置

9 元胞自动机方面
交通流 人群疏散 病毒扩散 晶体生长

10 雷达方面
卡尔曼滤波跟踪、航迹关联、航迹融合