【预测】使用最小均方进行麦基格拉斯时间序列预测（Matlab代码实现）

本文链接：https://blog.csdn.net/weixin_67304359/article/details/136814623

💥💥💞💞欢迎来到本博客❤️❤️💥💥

🏆博主优势：🌞🌞🌞博客内容尽量做到思维缜密，逻辑清晰，为了方便读者。

⛳️座右铭：行百里者，半于九十。

📋📋📋本文目录如下：🎁🎁🎁

目录

💥1 概述

📚2 运行结果

🎉3 参考文献

🌈4 Matlab代码实现

💥1 概述

使用最小均方（Least Mean Square， LMS）算法进行麦基格拉斯（Mackey-Glass）时间序列预测是一种常见的预测方法。麦基格拉斯时间序列是一种非线性动力学模型，常用于描述生物学、物理学和工程学领域中的动态系统。LMS算法是一种自适应滤波器，通过不断调整滤波器的权重来实现对未来值的预测。经过一定数量的迭代后，LMS算法可以生成对未来时间步的麦基格拉斯时间序列值的预测结果。这些预测结果可以用于分析系统的动态行为、进行趋势预测或辅助决策制定。

📚2 运行结果

主函数部分代码：

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
Yr(Tr)=Data(Tr,2);      % Selecting a chuck of series data y(t)
% 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

U=zeros(M+1,1); % Initial values of taps
W=zeros(M+1,1); % Initial weight of LMS

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

%% Learning weights of LMS (Training)
tic % start
for t=Tr(1):Tr(end)-time_steps