西宁平台网站建设,一般网站的前台功能模块,网站建设兼职在哪找,电脑网站建设方案时序预测 | MATLAB实现CNN-SVM卷积支持向量机时间序列预测 目录时序预测 | MATLAB实现CNN-SVM卷积支持向量机时间序列预测预测效果基本介绍研究回顾程序设计参考资料预测效果 基本介绍 CNN-SVM预测模型将深度学习模型作为特征学习器#xff0c;将SVM 支持向量机 作为训练器进行…时序预测 | MATLAB实现CNN-SVM卷积支持向量机时间序列预测 目录时序预测 | MATLAB实现CNN-SVM卷积支持向量机时间序列预测预测效果基本介绍研究回顾程序设计参考资料预测效果 基本介绍 CNN-SVM预测模型将深度学习模型作为特征学习器将SVM 支持向量机 作为训练器进行回归预测。在深度学习模型中卷积神经网络模型的卷积层和池化层具有强大的计算能力能够降低图像在平移过程中的损失率从而特征向量的影响会大大减少经过不同的卷积层和池化层可以有效地控制模型的拟合能力从而降低了拟合过程中特征向量的维数。 研究回顾
SVM 支持向量机基于核函数思想将非线性映射作为理论基础映射高维空间由非线性转变为线性可分再以最大化分类间隔为目标寻找最优分类超平面分类函数。本次CNN 与SVM 模型结合主要利用SVM 的hinge loss 形式的损失函数。 本次构建的CNN-SVM 卷积支持向量机多输入单输出回归预测模型以卷积神经网络结构为基础建立完整的CNN 模型。通过训练数据获取卷积层权重参数然后将卷积层输出结果作为SVM 输入特征向量进行训练最后进行预测。CNN 模型不需要复杂的预处理可以从输入的信息中自动进行特征挖掘和提取随着网络不断向后传递由浅到深对特征进行融合。支持向量机SVM适用于处理非线性的小样本数据通过输入融合值将二维输入空间映射到高维空间在高维空间中构造一个最优决策函数从而处理在二维空间中的预测回归问题。
程序设计
完整程序和数据获取方式1私信博主同等价值程序兑换。完整程序和数据获取方式2订阅《组合优化》专栏订阅后私信博主获取。
% 归一化
[a,inputns]mapminmax(data,0,1);%归一化函数要求输入为行向量
data_transdata_process(5,a);%% 对时间序列预测建立滚动序列即用1到m个数据预测第m1个数据然后用2到m1个数据预测第m2个数据
inputdata_trans(:,1:end-1);
outputdata_trans(:,end);
%% 数据集 前75%训练 后25%预测
mround(size(data_trans,1)*0.75);
Pn_traininput(1:m,:);
Tn_trainoutput(1:m,:);
Pn_testinput(m1:end,:);
Tn_testoutput(m1:end,:);
bestc0.001;bestg10;%c和g随机赋值 表示没有优化的SVM
t0;%t0为线性核函数,1-多项式。2rbf核函数
cmd [-s 3 -t ,num2str(t), -c , num2str(bestc), -g ,num2str(bestg), -p 0.01 -d 1];
model svmtrain(Tn_train,Pn_train,cmd);%训练
[predict,~] svmpredict(Tn_test,Pn_test,model);%测试
% 反归一化为后面的结果计算做准备
predict0mapminmax(reverse,predict,inputns);%测试实际输出反归一化
T_testmapminmax(reverse,Tn_test,inputns);%测试集期望输出反归一化
T_trainmapminmax(reverse,Tn_train,inputns);%训练集期望输出反归一化参考资料 [1] https://blog.csdn.net/kjm13182345320/article/details/126378086?spm1001.2014.3001.5501 [2] https://blog.csdn.net/kjm13182345320/article/details/126358211?spm1001.2014.3001.5501
