一、简介

      介绍了极限学习机ELM的网络结构以及学习训练算法。

二、源代码

% elm_stockpredict.m %% 清除工作空间中的变量和图形 clear,clc close all %% 1.加载337期上证指数开盘价格 load matlab.mat whos rng(1) %% ARMA模型 z=iddata(y1); m=armax(z(1:19),'na',2,'nc',1); yp = predict(m,y1,1); yp=yp'; yp=yp(:,157:end); %% 2.构造样本集 % 数据个数 price=y1; n=length(price); % 确保price为列向量 price=price(:); % x(n) 由x(n-1),x(n-2),...,x(n-L)共L个数预测得到. L = 6; % price_n：每列为一个构造完毕的样本，共n-L个样本 price_n = zeros(L+1, n-L); for i=1:n-L    price_n(:,i) = price(i:i+L); end %% 划分训练、测试样本 % 将前280份数据划分为训练样本 % 后51份数据划分为测试样本 trainx = price_n(1:6, 1:150); trainy = price_n(7, 1:150); testx = price_n(1:6, 151:end); testy = price_n(7, 151:end); %% 创建Elman神经网络 % 包含15个神经元，训练函数为traingdx net=elmannet(1:2,15,'traingdx'); % 设置显示级别 net.trainParam.show=1; % 最大迭代次数为2000次 net.trainParam.epochs=2000; % 误差容限，达到此误差就可以停止训练 net.trainParam.goal=0.00001; % 最多验证失败次数 net.trainParam.max_fail=5; % 对网络进行初始化 net=init(net); %% 网络训练 %训练数据归一化 [trainx1, st1] = mapminmax(trainx); [trainy1, st2] = mapminmax(trainy); % 测试数据做与训练数据相同的归一化操作 testx1 = mapminmax('apply',testx,st1); testy1 = mapminmax('apply',testy,st2); % 输入训练样本进行训练 [net,per] = train(net,trainx1,trainy1); %% 测试。输入归一化后的数据，再对实际输出进行反归一化 % 将训练数据输入网络进行测试 train_ty1 = sim(net, trainx1); train_ty = mapminmax('reverse', train_ty1, st2); % 将测试数据输入网络进行测试 test_ty1 = sim(net, testx1); test_ty = mapminmax('reverse', test_ty1, st2); % 显示真实值 plot(x,testy,'b-'); hold on % 显示神经网络的输出值 plot(x,test_ty,'r--') % 显示ARMA的输出值 plot(x,yp,'k--') legend('real price','prediction price of Elman','prediction price of ARMA') title('Test Results'); % 显示均方误差 mse2 = mse(test_ty - testy); fprintf('    Elman_mse = \n     %f\n', mse2) mse3 = mse(yp - testy); fprintf('    ARMA_mse = \n     %f\n', mse3)

三、运行结果