资源下载: https://download.csdn.net/download/vvoennvv/88696066
资源合集:https://download.csdn.net/download/vvoennvv/88700669
目录
【Matlab】基于遗传算法优化BP神经网络 (GA-BP)的数据时序预测
【Matlab】PSO-BP 基于粒子群算法优化BP神经网络的数据时序预测
【Matlab】CNN-LSTM时序预测 卷积神经网络-长短期记忆神经网络组合模型
【Matlab】PSO-RF 基于粒子群算法优化RF随机森林时序预测
一,概述
SVM(Support Vector Machine)即支持向量机,是一种常见的机器学习算法,被广泛应用于分类和回归问题中。它的主要思想是将训练数据映射到高维空间中,然后在该空间中找到一个最优的超平面来分隔不同类别的样本。SVM 的目标是找到一个最大间隔超平面,即具有最大边际(Margin)的超平面,以保证分类的鲁棒性和泛化能力。在 SVM 中,支持向量是指距离超平面最近的一些样本点,它们对于寻找最大边际超平面起着非常重要的作用。SVM 通过对支持向量进行优化来确定最优的超平面,使得它们到超平面的距离最小化。 SVM 在分类问题中的应用非常广泛,尤其在处理高维数据和小样本数据时表现出色。SVM 还可以通过核函数来处理非线性分类问题,将数据映射到高维空间中进行分类。SVM 在模型选择、参数调节和解决多分类问题等方面也有许多研究成果。
二,代码
代码中文注释非常清晰,按照示例数据修改格式,替换数据集即可运行,数据集为excel。
部分代码如下:
%% 清空环境变量
warning off % 关闭报警信息
close all % 关闭开启的图窗
clear % 清空变量
clc % 清空命令行
%% 导入数据(时间序列的单列数据)
result = xlsread('数据集.xlsx');
%% 数据分析
num_samples = length(result); % 样本个数
kim = 15; % 延时步长(kim个历史数据作为自变量)
zim = 1; % 跨zim个时间点进行预测
%% 构造数据集
for i = 1: num_samples - kim - zim + 1
res(i, :) = [reshape(result(i: i + kim - 1), 1, kim), result(i + kim + zim - 1)];
end
% %% 划分训练集和测试集
% temp = 1: 1: 922;
%
% P_train = res(temp(1: 700), 1: 15)';
% T_train = res(temp(1: 700), 16)';
% M = size(P_train, 2);
%
% P_test = res(temp(701: end), 1: 15)';
% T_test = res(temp(701: end), 16)';
% N = size(P_test, 2);
%% 数据集分析
outdim = 1; % 最后一列为输出
num_size = 0.7; % 训练集占数据集比例
num_train_s = round(num_size * num_samples); % 训练集样本个数
f_ = size(res, 2) - outdim; % 输入特征维度
%% 划分训练集和测试集
P_train = res(1: num_train_s, 1: f_)';
T_train = res(1: num_train_s, f_ + 1: end)';
M = size(P_train, 2);
P_test = res(num_train_s + 1: end, 1: f_)';
T_test = res(num_train_s + 1: end, f_ + 1: end)';
N = size(P_test, 2);
%% 数据归一化
[p_train, ps_input] = mapminmax(P_train, 0, 1);
p_test = mapminmax('apply', P_test, ps_input);
[t_train, ps_output] = mapminmax(T_train, 0, 1);
t_test = mapminmax('apply', T_test, ps_output);
%% 转置以适应模型
p_train = p_train'; p_test = p_test';
t_train = t_train'; t_test = t_test';
%% 创建模型
c = 4.0; % 惩罚因子
g = 0.8; % 径向基函数参数
cmd = [' -t 2',' -c ',num2str(c),' -g ',num2str(g),' -s 3 -p 0.01'];
model = svmtrain(t_train, p_train, cmd);
%% 仿真预测
[t_sim1, error_1] = svmpredict(t_train, p_train, model);
[t_sim2, error_2] = svmpredict(t_test , p_test , model);
%% 数据反归一化
T_sim1 = mapminmax('reverse', t_sim1, ps_output);
T_sim2 = mapminmax('reverse', t_sim2, ps_output);
......