我把14章，SVM用于回归建模的例子改动后，结果出现了问题：

首先，我描述一下，我想做的东西：

我要预测输出的压力，当前的输出的压力和前3个时刻的5个变量有关，我也想减少变量，可是预测的效果就不好了)。我将程序改动如下，同时我出现几个问题：

【1】我用第 208  209 210 个时刻的数据 作为输入数据，来预测211时刻的输出压力。但由于我编写的程序，输出总能得到3个，也就是可以预测 211 212 213 的输出压力。

刚开始，我是这么想的，212时刻的输出按我的本意的话，应该是知道了 209 210 211时刻的输入后才能预测到的，这个时候预测的肯定是错误的，不用理会。但后来我发现，    当我把输入改成209 210  211 时刻是，我发现我错了，因为此时给出的212  213 214 这3个输出数据中，212 213 和上面将 208 209 210作为输入时预测到的数据一摸一样。所以我的模型应该是错误的，可我看不出来。我想让作者给我看看。我把程序贴到下面了。

%% SVM神经网络的回归预测分析---压缩机四段出口压力预测

%% 清空环境变量

function output_press

tic;

close all;

clear;

clc;

format compact;

%% 数据的提取和预处理

data=xlsread('C:\Program Files\MATLAB\R2011a\work\data','sheet2','c5:g223');

train_x = data(1:210,1:5);

train_y = data(4:213,3);

test_x = data(211:216,1:5);

test_y = data(214:219,3)

% 数据预处理,将原始数据进行归一化

%

[train_x_scale,test_x_scale] = scaleForSVM(train_x,test_x,-1,1);

[train_y_scale,test_y_scale,ps] = scaleForSVM(train_y,test_y,-1,1);

%% 参数c和g寻优选择

% %选择回归预测分析最佳的SVM参数c&g

%%粒子群算法优化

pso_option.c1 = 2.0;

pso_option.c2 =0.6;

pso_option.maxgen = 200;

pso_option.sizepop = 20;

pso_option.k = 1.2;

pso_option.wV = 1;

pso_option.wP = 1;

pso_option.v = 5;

pso_option.popcmax = 100;

pso_option.popcmin = 0.0001;

pso_option.popgmax = 1000;

pso_option.popgmin = 0.0001;

[bestmse,bestc,bestg] = psoSVMcgForRegress(train_y_scale,train_x_scale,pso_option);

%打印精细选择结果

disp('打印精细选择----粒子群算法优化结果');

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 -t 2 -p 0.01'];

model = svmtrain(train_y_scale,train_x_scale,cmd);

%% SVM网络回归预测

%用原来的训练数据来看系统的预测能力如何

[predict_train,mse] = svmpredict(train_y_scale,train_x_scale,model);

predict_train= mapminmax('reverse',predict_train',ps);

predict_train=predict_train';

% %打印回归结果

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

disp(str);

figure;

hold on;

plot(train_y,'-o');

plot(predict_train,'g-*');

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('压缩机运行时间(2011.2.15.15时-2011.02.25.11时)','FontSize',12);

ylabel('压缩机四段出口压力','FontSize',12);

grid on;

figure;

error = predict_train - test_y;

plot(error,'rd');

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

xlabel('压缩机运行时间(2011.2.15.15时-2011.02.25.11时)','FontSize',12);

ylabel('误差量','FontSize',12);

grid on;

figure;

error = (predict_train- test_y)./test_y;

plot(error,'rd');

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

xlabel('压缩机运行时间(2011.2.15.15时-2011.02.25.11时)','FontSize',12);

ylabel('相对误差量','FontSize',12);

grid on;

snapnow;

toc;

save output_press_3.mat model

【2】如果您比较忙的话，您大致给我说说思路，就是用前3个时刻来预测当前这个时刻，怎么预测呢?/

[本帖最后由 史峰 于 2011-7-29 12:45 编辑]