众文网1.MATLAB用RBF数据预测,哪位好心人可以给程序参考下,谢谢
给个例子你看看
%% 训练数据
t1 = 0.1 : 0.1 : 10;
xt1 = 3*sin(2*t1) + 3;
xt2 = exp(0.5*t1) + 10;
xt3 = 2*power((t1-4), 2);
xt4 = log2(30*t1) + 10;
xt5 = log2(40*t1) + t1 + 20;
xt6 = power((t1-11), 2);
xt7 = 4*cos(3*t1) + 10;
xt8 = xt2 + 0.9*xt4;
xt9 = xt5 + 0.9*xt5;
xt10 = xt5 + 0.9*xt6;
ty = -1 + 3*xt1 - xt9 + 0.4*(xt10-50) + xt6 + log2(xt3+7) + 0.8*exp(xt4-14) + 。
4*sin(xt7+xt8) + 0.015*power((xt2-50), 2);
%% 测试数据
t = 10/44 : 10/44 : 10;
x1 = 3*sin(2*t) + 3;
x2 = exp(0.5*t) + 10;
x3 = 2*power((t-4), 2);
x4 = log2(30*t) + 10;
x5 = log2(40*t) + t + 20;
x6 = power((t-11), 2);
x7 = 4*cos(3*t) + 10;
x8 = x2 + 0.9*x4;
x9 = x5 + 0.9*x5;
x10 = x5 + 0.9*x6;
y = -1 + 3*x1 - x9 + 0.4*(x10-50) + x6 + log2(x3+7) + 0.8*exp(x4-14) + 。
4*sin(x7+x8) + 0.015*power((x2-50), 2);
%% 创建并训练网络
net = newrb(t1, ty);
%% 测试网络
testy = sim(net, t);
%% 画图
figure('Name'， '曲线图')；
plot(t, y, 'r-');
hold on;
plot(t, testy, 'b+');
legend（'根据原函数画出的曲线'， 'RBF神经网络得到的曲线'）；
2.MATLAB RBF 代码
%% 清空环境变量
clc
clear
%% 产生输入 输出数据
% 设置步长
interval=0.01;
% 产生x1 x2
x1=-1.5:interval:1.5;
x2=-1.5:interval:1.5;
% 按照函数先求得相应的函数值，作为网络的输出。
F =20+x1.^2-10*cos(2*pi*x1)+x2.^2-10*cos(2*pi*x2);
%% 网络建立和训练
% 网络建立 输入为[x1;x2]，输出为F。Spread使用默认。
net=newrbe([x1;x2],F)
%% 网络的效果验证
% 我们将原数据回带，测试网络效果：
ty=sim(net,[x1;x2]);
% 我们使用图像来看网络对非线性函数的拟合效果
figure
plot3(x1,x2,F,'rd');
hold on;
plot3(x1,x2,ty,'b-.');
view(113,36)
title（'可视化的方法观察准确RBF神经网络的拟合效果'）
xlabel('x1')
ylabel('x2')
zlabel('F')
grid on
3.如何利用matlab进行神经网络预测
matlab 带有神经网络工具箱，可直接调用，建议找本书看看，或者MATLAB论坛找例子。
核心调用语句如下：
%数据输入
%选连样本输入输出数据归一化
[inputn,inputps]=mapminmax(input_train);
[outputn,outputps]=mapminmax(output_train);
%% BP网络训练
% %初始化网络结构
net=newff(inputn,outputn,[8 8]);
net.trainParam.epochs=100;
net.trainParam.lr=0.01;
net.trainParam.goal=0.01;
%网络训练
net=train(net,inputn,outputn);
%% BP网络预测
%预测数据归一化
inputn_test=mapminmax('apply',input_test,inputps);
%网络预测输出
an=sim(net,inputn_test);
%网络输出反归一化
BPoutput=mapminmax('reverse',an,outputps);
%% 结果分析
4.BF神经网络预测模型的MATLAB程序
首先数据初始化[nb,minb,maxb,na,mina,maxa]=premnmx(traindata,trainlabels);
[nc,minc,maxc]=premnmx(testdata);
用这个函数newff就可以得到BP神经网络模型
net=newff(minmax(traindata),[7,1],{'tansig','purelin'});
参数可以用默认的，具体参数可以help一下看看如何设置
训练神经网络
net=train(net,nb,na)； 测试输出
nd= sim(net,nc);
5.如何利用matlab进行神经网络预测
matlab 带有神经网络工具箱，可直接调用，建议找本书看看，或者MATLAB论坛找例子。
核心调用语句如下：%数据输入%选连样本输入输出数据归一化[inputn,inputps]=mapminmax(input_train);[outputn,outputps]=mapminmax(output_train);%% BP网络训练% %初始化网络结构net=newff(inputn,outputn,[8 8]);net.trainParam.epochs=100;net.trainParam.lr=0.01;net.trainParam.goal=0.01；%网络训练net=train(net,inputn,outputn);%% BP网络预测%预测数据归一化inputn_test=mapminmax('apply',input_test,inputps)； %网络预测输出an=sim(net,inputn_test)； %网络输出反归一化BPoutput=mapminmax('reverse',an,outputps)；%% 结果分析。
6.bp神经网络股票价格预测的MATLAB编程
P=[]；'输入，开盘价，最高价，最低价，收盘价成交量依次5天的数据'
T=[]；'输出，即第二日的收盘'
net=newff(minmax(P),[7,1],{'tansig','logsig'},'traingdx');
net.trainParam.epochs=1000； '最大训练次数，根据需要可自行调节'
net.trainParam.goal=0.01； '误差'
net.trainParam.lr=0.01； '学习率'
net=train(net,P,T)； '训练网络'
test=[]；'待预测数据输入'
out=sim(net,test)； '仿真预测'
我的这个程序没有进行初始化，你还需要先将数据进行初始化后才能算。
7.基于RBF神经网络的时间序列预测研究本科毕业论文,请求帮忙 爱问
多因素时间序列预测是数据挖掘的一个重要研究内容，描述预测指标与影响因素之间存在的潜在关系，被广泛应用于许多领域。
经典的预测方法在用于非线性系统预测时有一定的困难，而RBF神经网络具有较好的非线性特性，特别适用于高度非线性系统的处理，为多因素时间序列预测开辟了新的发展空间。 本文对基于RBF神经网络的预测模型进行了深入的研究，并详细研究了对网络输入空间的降维重构。
论文主要内容如下： 采用RBF神经网络进行建模训练，并将结果与BP网络比较，仿真实验表明RBF网络的训练速度比BP网络显著加快，具有较好的泛化能力，能有效地应用于多因素时间序列预测。 将灰色关联分析（GRA）引入预处理过程，以消除与预测指标关联度相对小的影响因素，提出了基于GRA的RBF神经网络预测模型的约简，简化了网络结构，提高了预测精度。
针对多因素时间序列各因素之间存在相关性，导致信息重叠的缺点，提出了基于PCA的RBF神经网络预测模型的约简。 文中利用PCA方法对原有指标体系进行处理，提取主成分构成新的指标作为RBF神经网络的输入，优化了网络结构，提高了网络的泛化能力。
将上述两种约简方法相结合，提出了基于GRA-PCA的RBF神经网络预测模型的约简，减少了采集样本数目，提高了建模效率和预测精度。
转载请注明出处众文网 » 毕业论文基于rbf神经网络的股票走势预测模型matlab(MATLAB用RBF数据预测,哪位好心人可以给程序参考下,谢谢)