【Matlab】LSSVM最小二乘支持向量机时序预测算法（附代码）

置顶千源万码

已于 2024-07-12 15:55:25 修改

阅读量527

点赞数 5

分类专栏： Matlab 文章标签：算法 matlab 支持向量机

于 2024-07-10 17:18:29 首次发布

本文链接：https://blog.csdn.net/vvoennvv/article/details/140319970

版权

Matlab 专栏收录该内容

50 篇文章 7 订阅

订阅专栏

资源下载：https://download.csdn.net/download/vvoennvv/89530385

资源合集：https://download.csdn.net/download/vvoennvv/88700669

一，概述

支持向量机是一种强大的分类和回归方法，它在机器学习领域中具有广泛的应用。最小二乘支持向量机(LSSVM)是支持向量机的一种变体，它通过最小化目标函数来建立分类模型。本文将着重介绍基于LSSVM的数据分类预测方法，并提供Matlab代码供读者参考。

1. LSSVM的原理及特点
LSSVM是一种非线性分类模型，它通过将数据映射到高维特征空间中来实现非线性分类。与传统的SVM相比，LSSVM有以下几个优点：
1.1 最小二乘损失函数：LSSVM使用最小二乘损失函数来优化模型，相比于SVM的Hinge损失函数，LSSVM更加稳定，对异常点的影响较小。
1.2 避免参数优化：LSSVM的参数选择相对简单，无需通过交叉验证等方法进行优化，减少了模型训练的时间和复杂度。
1.3 框架扩展性：LSSVM的框架可以通过引入核函数进行扩展，从而实现非线性分类。

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

%%  添加路径
addpath('LSSVM_Toolbox\')

%%  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

%%  划分数据集
for i = 1: num_samples - kim - zim + 1
    res(i, :) = [reshape(result(i: i + kim - 1), 1, kim), result(i + kim + zim - 1)];
end
%%  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
% 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);
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';

%%  参数设置
type   = 'f';                % 模型类型f回归，c分类
gam    = 50;                 % 核函数参数
sig2   = 10;                 % 惩罚参数
kernel = 'RBF_kernel';       % RBF 核函数 

......