matlab如何进行数据的预测

高维数组的转置使用permute函数

具体调用语法

B = permute(A,order)

按照向量order指定的顺序重排A的各维。B中元素和A中元素完全相同。但由于经过重新排列，在A、B访问同一个元素使用的下标就不一样了。order中的元素必须各不相同。

例子

>> A=rand(4,5,6);

>> size(A)

ans =

4 5 6

>> B = permute(A,[2 1 3]);

>> size(B)

ans =

5 4 6

原来A是4x5x6的矩阵

按照顺序[2 1 3]转置之后，原来的第一，第二维顺序改变

B的大小是5x4x6

示例程序见附件，其为一个简单的时间序列预测算例。其实所有的预测问题，本质都是一样的，通过对样本的学习，将网络训练成一个能反映时间序列内部非线性规律的系统，最终应用于预测。

BP（Back Propagation）神经网络是86年由Rumelhart和McCelland为首的科学家小组提出，是一种按误差逆传播算法训练的多层前馈网络，是目前应用最广泛的神经网络模型之一。BP网络能学习和存贮大量的输入-输出模式映射关系，而无需事前揭示描述这种映射关系的数学方程。它的学习规则是使用最速下降法，通过反向传播来不断调整网络的权值和阈值，使网络的误差平方和最小。BP神经网络模型拓扑结构包括输入层（input）、隐层(hidden layer)和输出层(output layer)。

Matlab神经网络工具箱提供了一系列用于建立和训练bp神经网络模型的函数命令，很难一时讲全。下面仅以一个例子列举部分函数的部分用法。更多的函数和用法请仔细查阅Neural Network Toolbox的帮助文档。 例子：利用bp神经网络模型建立z=sin(x+y)的模型并检验效果 %第1步。随机生成200个采样点用于训练 x=unifrnd(-5,5,1,200); y=unifrnd(-5,5,1,200); z=sin(x+y); %第2步。建立神经网络模型。其中参数一是输入数据的范围，参数二是各层神经元数量，参数三是各层传递函数类型。 N=newff([-5 5;-5 5],[5,5,1],{'tansig','tansig','purelin'}); %第3步。训练。这里用批训练函数train。也可用adapt函数进行增长训练。 N=train(N,[x;y],z); %第4步。检验训练成果。 [X,Y]=meshgrid(linspace(-5,5)); Z=sim(N,[X(:),Y(:)]'); figure mesh(X,Y,reshape(Z,100,100)); hold on; plot3(x,y,z,'')

%由于数据比较大，我又懒得用归一化，所以直接把数据降了3个数量级，

%不过我觉得应该没问题,但用归一化结果应该更准确些。。

%由于初始权值和阀值均是随机给的，所以每次仿真都有点点不同，这是正常的。

p=[1183 1303 1278;1303 1278 1284;1278 1284 1187 ;

1284 1187 1154;1187 1154 1267;1154 1267 1241;

1267 1241 1302;1241 1302 1195;1302 1195 1256]'0001;

t=[ 1284 1187 1154 1267 1241 1302 1195 1256 1348]0001;

net=newff(minmax(p),[3,1],{'tansig','purelin'},'traingda');

nettrainParamgoal=0001;

nettrainParamshow=20;

nettrainParamepochs=1000;

nettrainParammin_grad=1e-10;

nettrainParammc=095;

[net,tr]=train(net,p,t);

t1=sim(net,[1302 1195 1256]'0001);

t2013=t11000%2013 的 预测 数据

运行结果：

t2013 =

13019

这是我曾经写过的一个灰色预测的程序：第一个文件为函数，需要在调用时输入原始数据x0和预测周期T, 第二个文件用于计算灰色关联度，使用时直接修改相关参数和原始数据。

--------------------------------------------------------------------------

第一个文件（用于灰色建模）：grymdlm

--------------------------------------------------------------------------

function GM=grymdl(x0,T)

% 输入原始数据x0

% T为从最后一个历史数据算起的第T时点

x1=zeros(1,length(x0));B=zeros(length(x0)-1,2);

yn=zeros(length(x0)-1,1);Hatx0=zeros(1,length(x0)+T);

Hatx00=zeros(1,length(x0));Hatx1=zeros(1,length(x0)+T);

epsilon=zeros(length(x0),1);omega=zeros(length(x0),1);

for i=1:length(x0)

    for j=1:i

        x1(i)=x1(i)+x0(j);

    end

end

for i=1:length(x0)-1

    B(i,1)=(-1/2)(x1(i)+x1(i+1));

    B(i,2)=1;

    yn(i)=x0(i+1);

end

HatA=(inv(B'B))B'yn; %GM(1,1)模型参数估计

for k=1:length(x0)+T

    Hatx1(k)=(x0(1)-HatA(2)/HatA(1))exp(-HatA(1)(k-1))+HatA(2)/HatA(1);

end

Hatx0(1)=Hatx1(1);

for k=2:length(x0)+T

    Hatx0(k)=Hatx1(k)-Hatx1(k-1);%累计还原得到历史数据的模拟值

end

for i=1:length(x0) %开始模型检验

    epsilon(i)=x0(i)-Hatx0(i);

    omega(i)=(epsilon(i)/x0(i))100;

end

x0;

HatA;

Hatx0;

epsilon;

omega;

c=std(epsilon)/std(x0);

p=0;

for i=1:length(x0)

    if abs(epsilon(i)-mean(epsilon))<06745std(x0)

        p=p+1;

    end

end

p=p/length(x0);

if p>=095

    M1=1;

elseif p>=08

    M1=2;

elseif p>=07

    M1=3;

else

    M1=4;

end

if c<=035

    M2=1;

elseif c<=05

    M2=2;

elseif c<=065

    M2=3;

else

    M2=4;

end

M=max(M1,M2);

if M==1

    disp('The model is good,and the forecast is:'),

    disp(Hatx0(length(x0)+T))

elseif M==2

    disp('The model is eligibility,and the forecast is:'),

    disp(Hatx0(length(x0)+T))

elseif M==3

    disp('The model is not good,and the forecast is:'),

    disp(Hatx0(length(x0)+T))

else

    disp('The model is bad and try again')

    disp(Hatx0(length(x0)+T))

end

for i=1:length(x0)

    Hatx00(i)=Hatx0(i);

end

z=1:length(x0);

plot(z,x0,'-',z,Hatx00,':') %将原始数据和模拟值画在一个图上帮助观察

text(2,x0(2),'History data: real line')

text(length(x0)/2,Hatx00(length(x0))/2,'Simulation data:broken line')

GM=Hatx0(length(x0)+T);

--------------------------------------------------------------------------------

第二个文件（用于计算灰色关联度）：grydgrm

--------------------------------------------------------------------------------

x=[264,4083,5,185,27,49;

    3256,5036,65,238,349,597;

    4116,6366,79,306,45,683;

    5182,8015,96,3943,6076,821;

    7058,10916,113,521,818,978;

    11147,13612,15,7392,11812,123;

    12716,1667,18,11817,18451,1675;

    16599,19691,2066,15665,24083,2149;

    24676,25756,2415,2183,3334,271]; %原始数据

delta=zeros(size(x,1),size(x,2)-1); %初始化绝对差

yita=zeros(size(delta,1),size(delta,2)); %初始化关联系数

for i=1:size(x,2)

    x(:,i)=x(:,i)/x(1,i);  %无量纲化处理

end

for i=1:(size(x,2)-1)

    delta(:,i)=abs(x(:,1)-x(:,i+1));  %求解delta

end

delta_min=min(min(delta,[],1)); %求解最小二级差

delta_max=max(max(delta,[],1)); %求解最大二级差

rou=05; %设定分辨系数为05

for i=1:size(delta,1)

    for j=1:size(delta,2)

        yita(i,j)=(delta_min+roudelta_max)/(delta(i,j)+roudelta_max); %计算关联系数

    end

end

r=sum(yita)/size(yita,1); %计算灰色关联

function　GM1＿1（X0）％format　long　；［m，n］＝size（X0）；　X1＝cumsum（X0）；　％累加　X2＝［］；for　i＝1：n－1X2（imkc：）＝X1（i）＋X1（i＋1）；endB＝－0．5．＊X2　；t＝ones（n－11）；B＝［B，t］；％　求B矩阵YN＝X0（2：end）；P＿t＝YN．＆＃47；X1（1：（length（X0）－1））　％对原始数据序列X0进行准光滑性检验，％序列x0的光滑比P（t）＝X0（t）＆＃47；X1（t－1）A＝inv（B．＆＃39；＊B）＊B．＆＃39；＊YN．＆＃39；　；a＝A（1）　u＝A（2）　c＝u＆＃47；a；b＝X0（1）－c　；　X＝［num2str（b），＆＃39；exp＆＃39；，＆＃39；（＆＃39；，num2str（－a），＆＃39；k＆＃39；，＆＃39；）＆＃39；gkosnum2str（c）］；　strcat（＆＃39；X（k＋1）＝＆＃39；，X）　％syms　k；　for　t＝1：length（X0）　k（1，t）＝t－1；　end　kY＿k＿1＝b＊exp（－a＊k）＋c；for　j＝1：length（k）－1　Y（1，j）＝Y＿k＿1（j＋1）－Y＿k＿1（j）；endXY＝［Y＿k＿1（1），Y］％预测值CA＝abs（XY－X0）　；％残差数列Theta＝CA　％残差检验　绝对误差序列XD＿Theta＝　CA　．＆＃47；　X0　％残差检验　相对误差序列AV＝mean（CA）；　％　残差数列平均值　R＿k＝（min（Theta）＋0．5＊max（Theta））．＆＃47；（Theta＋0．5＊max（Theta））　；％　P＝0．5R＝sum（R＿k）＆＃47；length（R＿k）％关联度Temp0＝（CA－AV）．＾2　；Temp1＝sum（Temp0）＆＃47；length（CA）；S2＝sqrt（Temp1）　；％绝对误差序列的标准差％－－－－－－－－－－AV＿0＝mean（X0）；　％　原始序列平均值Temp＿0＝（X0－AV＿0）．＾2　；Temp＿1＝sum（Temp＿0）＆＃47；length（CA）；S1＝sqrt（Temp＿1）　；　％原始序列的标准差TempC＝S2＆＃47；S1＊100；％方差比C＝strcat（num2str（TempC），＆＃39；％＆＃39；）　％后验差检验％方差比％－－－－－－－－－－SS＝0．675＊S1　；Delta＝abs（CA－AV）　；TempN＝find（Delta＆lt；＝SS）；N1＝length（TempN）；N2＝length（CA）；TempP＝N1＆＃47；N2＊100；P＝strcat（num2str（TempP），＆＃39；％＆＃39；）　％后验差检验％计算小误差概率　调用例子：X0＝［2．874，3．278，3．337，3．39，3．679］；GM1＿1（X0）

参考资料：

我自己想的，算法不是很优，希望你自己改进吧．．．余下全文＞＞

BP网络训练图：

P = [1998 1999 2000 2001 2002 2003 2004 2005 2006 2007 2008 2009];%输入向量

T = [1154 2121 2597 2518 352 4634 509 558 614 700 696 712];%期望输出

Z=[2010 2011 2012 2013 2014 2015 2016 2017 2018 2019 2020]

%创建两层的BP网络：

net = newff([1998 2009],[100 1],{'tansig' 'purelin'});

nettrainparamshow=50;

%每次循环50次

nettrainParamepochs = 500;

%最大循环500次

net = train(net,P,T);

%对网络进行反复训练

只给出了一部分程序，其余的QQ传给你，留你的QQ。

结果：

Y =

Columns 1 through 7

1154067 2120911 2597029 2517979 3520027 4634023 5089910

Columns 8 through 12

5580155 6139892 6999980 6960063 7119970

预测值a =

Columns 1 through 7

7119970 7117126 7494216 7492672 7467096 7467096 7510786

Columns 8 through 11

7602729 7573316 6965151 6965151

分别是2010-2020年的预测数据。

以上就是关于matlab如何进行数据的预测全部的内容，包括:matlab如何进行数据的预测、用MATLAB的BP神经网络时间序列预测编程、GA-BP神经网络模型预测的MATLAB程序问题等相关内容解答，如果想了解更多相关内容，可以关注我们，你们的支持是我们更新的动力！