基于蜣螂算法优化的SVM回归预测
文章目录
- 基于蜣螂算法优化的SVM回归预测
- 1.数据集
- 3.模型处理
- 4.基于蜣螂搜索的SVM回归预测
- 5.测试结果:
- 6.参考文献
- 7.matlab代码
摘要:利用蜣螂搜索算法对SVM回归预测进行优化。优化参数主要是SVM的惩罚参数和核惩罚参数。优化结果表面蜣螂搜索算法能够提升SVM的性能。
1.数据集
测试数据:上证指数 ( 1990. 12. 19-2009.08. 19)
整体数据存储在 chapter_sh. mat ,数据是一个 4 579 × 6 的 double 型矩阵,记录的是从1990 年 12 月 19 日开始到 2009 年 8 月 19 日这期间内 4579 个交易日每日上证综合指数的各 种指标,1579 行表示每一天的上证指数的各种指标, 6 列分别表示当天上证指数的开盘指数、 指数最高值、指数最低值、收盘指数、当日交易量、 当 日交易额。上证指数每日的开盘指数如图1所示 。
图1.上证指数每日的开盘指数 ## 2.模型的建立
模型目的:利用 SVM 建立的回归模型对上证指数每日的开盘数进行回归拟合.
模型假设:假设上证指数每日的开盘数与前一日的开盘指数、指数最高值、指数最低值、收盘指数、交易量、交易额相关,即把前一日的开盘指数、指数最高值、指数最低值、收盘指数、交易量、交易额作为当日开盘指数的自变量,当日的开盘指数为因变量。
算法流程图如下图2所示:
图2.算法模型图
3.模型处理
选取第 1 ~ 4 578 个交易日内每日的开盘指数、指数最高值、指数最低值,收盘指数、交易量、交易额作为自变量 ,选取第 2~4 579 个交易日内每日的开盘数作为因变量 .同时对数据进行归一化处理。
4.基于蜣螂搜索的SVM回归预测
蜣螂搜索算法的具体原理参考博客
优化参数主要是SVM的惩罚参数和核惩罚参数。是适应度函数设计为:
适应度函数选取SVM训练后的MSE误差。MSE误差越小表明预测的数据与原始数据重合度越高。
5.测试结果:
6.参考文献
书籍《MATLAB神经网络43个案例分析》
7.matlab代码