程序代码：

close all;

clear;

clc;

format compact;

load i_source.mat;

% 提取数据

[m,n] = size(B);

ts = B(1:180,1);

tsx = B(1:180,2:n);

figure;

plot(ts,'LineWidth',2);

title('点信源波达方向随时间的变化规律','FontSize',12);

xlabel('时间','FontSize',12);

ylabel('波达方向','FontSize',12);

grid on;

% % 数据预处理,将原始数据进行归一化

ts = ts';

tsx = tsx';

% mapminmax为matlab自带的映射函数

% 对ts进行归一化

[TS,TSps] = mapminmax(ts,1,2);

% 画出原始上证指数的每日开盘数归一化后的图像

figure;

plot(TS,'LineWidth',2);

title('原始点信源波达方向归一化后随时间变化的图像','FontSize',12);

xlabel('时间','FontSize',12);

ylabel('归一化后的波达方向','FontSize',12);

grid on;

% 对TS进行转置,以符合libsvm工具箱的数据格式要求

TS = TS';

% mapminmax为matlab自带的映射函数

% 对tsx进行归一化

[TSX,TSXps] = mapminmax(tsx,1,2);

% 对TSX进行转置,以符合libsvm工具箱的数据格式要求

TSX = TSX';

%% 选择回归预测分析最佳的SVM参数c&g

% 首先进行粗略选择:

[bestmse,bestc,bestg] = SVMcgForRegress(TS,TSX,-8,8,-8,8);

% 打印粗略选择结果

disp('打印粗略选择结果');

str = sprintf( 'Best Cross Validation MSE = %g Best c = %g Best g = %g',bestmse,bestc,bestg);

disp(str);

% 根据粗略选择的结果图再进行精细选择:

[bestmse,bestc,bestg] = SVMcgForRegress(TS,TSX,-4,4,-4,4,3,0.5,0.5,0.05);

% 打印精细选择结果

disp('打印精细选择结果');

str = sprintf( 'Best Cross Validation MSE = %g Best c = %g Best g = %g',bestmse,bestc,bestg);

disp(str);

%% 利用回归预测分析最佳的参数进行SVM网络训练

cmd = ['-c ', num2str(bestc), ' -g ', num2str(bestg) , ' -s 3 -p 0.01'];

model = svmtrain(TS,TSX,cmd);

model.Parameters

%%预测两个数据

load i_snr1.mat

% ts = A(180,1);

% tsx = A(180,2:451);

ts=[A(20,1);A(80,1)];

tsx=[A(20,2:451);A(80,2:451)];

ts = ts';

tsx = tsx';

% mapminmax为matlab自带的映射函数

% 对ts进行归一化

[TS,TSps] = mapminmax(ts,1,2);

% 对TS进行转置,以符合libsvm工具箱的数据格式要求

TS = TS';

% mapminmax为matlab自带的映射函数

% 对tsx进行归一化

[TSX,TSXps] = mapminmax(tsx,1,2);

% 对TSX进行转置,以符合libsvm工具箱的数据格式要求

TSX = TSX';

%% SVM网络回归预测

[predict,mse] = svmpredict(TS,TSX,model);

predict = mapminmax('reverse',predict',TSps);

predict = predict'

% 打印回归结果

str = sprintf( '均方误差 MSE = %g 相关系数 R = %g%%',mse(2),mse(3)*100);

disp(str);

t=[20;80];

% t=180;

%% 结果分析

figure;

hold on;

plot(t,ts,'-o');

plot(t,predict,'r-^');

legend('原始数据','回归预测数据');

hold off;

title('原始数据和回归预测数据对比','FontSize',12);

xlabel('时间','FontSize',12);

ylabel('波达方向','FontSize',12);

grid on;

figure;

error = predict - ts';

plot(t,error,'rd');

title('误差图(predicted data - original data)','FontSize',12);

xlabel('时间','FontSize',12);

ylabel('误差量','FontSize',12);

grid on;

figure;

error = (predict - ts')./ts';

plot(t,error,'rd');

title('相对误差图(predicted data - original data)/original data','FontSize',12);

xlabel('时间','FontSize',12);

ylabel('相对误差量','FontSize',12);

grid on;

snapnow;

问题：[predict,mse] = svmpredict(TS,TSX,model);

因为TS是一个列向量，如果svmpredict只能预测单目标，那么我想同时预测两个或多个值怎么办？

所贴的程序为我用model同时预测两个值，但是得到的预测结果不正确。

[本帖最后由 faruto 于 2010-5-16 14:47 编辑]

2010-5-15 13:12 上传

点击文件名下载附件

1.16 MB, 下载次数: 11942

i_source.mat和i_snr1.mat文件