%用RBF網絡來預測股票走勢

clc

clear

%歸一化數據

input=[0? ? ? ? 0? ? ? ? 0? ? ? ? 0? ? ? ? 0? ? ? ? 0.0277;

0.0177? ? ? ? 0.0292? ? ? ? 0.0184? ? ? ? 0.0122? ? ? ? 0.0264? ? ? ? 0.0492;

0.0374? ? ? ? 0.0946? ? ? ? 0.0393? ? ? ? 0.0269? ? ? ? 0.0264? ? ? ? 0.0871;

0.0342? ? ? ? 0.0927? ? ? ? 0.0376? ? ? ? 0.0435? ? ? ? 0.0648? ? ? ? 0;

0.0597? ? ? ? 0.1140? ? ? ? 0.0632? ? ? ? 0.0680? ? ? ? 0.1432? ? ? ? 0.0778;

0.0769? ? ? ? 0.1551? ? ? ? 0.0786? ? ? ? 0.0862? ? ? ? 0.1920? ? ? ? 0.1087;

0.0903? ? ? ? 0.1680? ? ? ? 0.0893? ? ? ? 0.1203? ? ? ? 0.2496? ? ? ? 0.1409;

0.1266? ? ? ? 0.1789? ? ? ? 0.1240? ? ? ? 0.1689? ? ? ? 0.3420? ? ? ? 0.3332;

0.1590? ? ? ? 0.2364? ? ? ? 0.1533? ? ? ? 0.2268? ? ? ? 0.4329? ? ? ? 0.3268;

0.1877? ? ? ? 0.2810? ? ? ? 0.1890? ? ? ? 0.2619? ? ? ? 0.4956? ? ? ? 0.2882;

0.2386? ? ? ? 0.3915? ? ? ? 0.2388? ? ? ? 0.3543? ? ? ? 0.5845? ? ? ? 0.4144;

0.3012? ? ? ? 0.4589? ? ? ? 0.2997? ? ? ? 0.4619? ? ? ? 0.7076? ? ? ? 0.6327;

0.3494? ? ? ? 0.5074? ? ? ? 0.3485? ? ? ? 0.5408? ? ? ? 0.8331? ? ? ? 0.7095;

0.4026? ? ? ? 0.5084? ? ? ? 0.4032? ? ? ? 0.6157? ? ? ? 0.9420? ? ? ? 0.7912;

0.5712? ? ? ? 0.7413? ? ? ? 0.5754? ? ? ? 0.6908? ? ? ? 0.6327? ? ? ? 0.8595;

0.6539? ? ? ? 0.8057? ? ? ? 0.6598? ? ? ? 0.7377? ? ? ? 0.7147? ? ? ? 0.8923;

0.7577? ? ? ? 0.8320? ? ? ? 0.7627? ? ? ? 0.8191? ? ? ? 0.7992? ? ? ? 0.9548];

output=[0

0.0107

0.0193

0.0172

0.0372

0.0533

0.0721

0.1065

0.1305

0.1528

0.2054

0.2816

0.3448

0.4016

0.4910

0.5667

0.6810]';

input_test=[0.8667? ? ? ? 0.8969? ? ? ? 0.8673? ? ? ? 0.9142? ? ? ? 0.8973? ? ? ? 0.9667;

1.0000? ? ? ? 1.0000? ? ? ? 1.0000? ? ? ? 1.0000? ? ? ? 1.0000? ? ? ? 1.0000];

output_test=[??0.8415

1.0000]';

%load data input output input_test output_test;

%權值及參數的初始化

M=6; %輸入節點個數

N=1; %輸出節點個數

n=20; %隱形節點個數

b = 1.5*ones(n,1);

c = rands(M,n);

w = 2*rands(n,N);

%給定進化參數

alfa = 0.002;

xite = 0.02;

w_1 = w;w_2 = w_1;

c_1 = c;c_2 = c_1;

b_1 = b;b_2 = b_1;

d_w=0*w;

d_b=0*b;

y_1 = 0;

[aa,bb]=size(input);

kk=1;

for ii=1:64

for k = 1:1:aa

%取一對輸入輸出

x=input(k,:);

y=output(k,:);

for j = 1:1:n

h(j) = exp(-norm(x' - c(:,j))^2/(2*b(j)*b(j)));

end

ym(k) = w'*h';? ? %神經網絡預測輸出

e(k) = y - ym(k);? ? %輸出誤差

%權值修正

for j = 1:1:n

d_w(j) = xite*e(k)*h(j);

d_b(j) = xite*e(k)*w(j)*h(j)*(b(j)^-3)*norm(x'-c(:,j))^2;

for i = 1:1:M

d_c(i,j) = xite*e(k)*w(j)*h(j)*(x(i) - c(i,j))*(b(j)^-2);

end

end

w = w_1 + d_w + alfa*(w_1 - w_2);

b = b_1 + d_b + alfa*(b_1 - b_2);

c = c_1 + d_c + alfa*(c_1 - c_2);

y_1 = y;

w_2 = w_1;

w_1 = w;

c_2 = c_1;

c_1 = c;

b_2 = b_1;

b_1 = b;

kk=kk+1;

end

end

[aa,bb]=size(input_test);

%RBF網絡預測輸出

for k=1:aa

x=input_test(k,:);

for j = 1:1:n

h(j) = exp(-norm(x' - c(:,j))^2/(2*b(j)*b(j)));

end

yy(k) = w'*h';? ? %預測的輸出

end

error=output_test'-yy;

figure(1)

plot(output_test,'r')

hold on

plot(yy)

title('RBF網絡預測股票走勢行情');

legend('實際股票走勢','預測股票走勢');

axis([0,30,0,1.5])%30為預測輸出值

figure(2)

plot(error)

title('預測值和實際值的誤差');

xlabel('迭代次數');

ylabel('誤差')

運行顯示“帶有下標的賦值維度不匹配。”不知怎么修改

總結

以上是生活随笔為你收集整理的rbf神经网络python预测代码_RBF神经网络预测的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。