基于支持向量机（SVM）预测模型 比如预测人口数、价格等，随便给个matlab源代码

1. 基于支持向量机（SVM）预测模型 比如预测人口数、价格等，随便给个matlab源代码

http://zhidao.baidu.com/question/203592147.html

2. 我的Matlab的svm预测怎么都是一个值

测试数据要跟训练数据格式一样啊，一般是行代表样本个数，列代表变量个数即n*m表示n个样本m个向量

3. 求Matlab做电力系统短期负荷预测的代码，用SVM或者神经网络的都可以，用作参考

%% BP神经网络: p t pt tt(测试样本目标值) ta（目标归一化标准）
ss=10000000;
S1=14;   %8--18

 for i=1:1
% 网络创建
net=newff(p,t,[8],{'tansig','purelin'},'trainrp'); %'traingd' lm
% 设置训练参数
net.trainParam.show=10;%显示中间结果的周期
%net.trainParam.showWindow=flase;
net.trainParam.epochs=2000;%最大迭代次数
%net.trainParam.goal=0.1;%神经网络训练的目标误差
%net.trainParam.lr=0.1;%学习率0.01--0.8
%net.trainParam.mc=0.9;   %
%net.iw{1,1}=iw;net.lw{2,1}=lw;net.b{1}=theta1;net.b{2}=theta2;
%net.layers{1}.initFcn ='initlay';

% 网络训练
[net,tr]=train(net,p,t);
% 仿真测试
temp=sim(net,p);
pe=mapminmax('reverse',temp,ta);  %pe
%pe=mapminmax(pe);
mset=t-pe;
w=norm(mset);
len=length(t);
s=(w^2)/len;%误差



 end

s_bp=sim(net,pt);    % BP神经网络的仿6真结果  -1--1
s1=mapminmax('reverse',s_bp,ta);  %0--1
s2=mapminmax(s1,0,1);  %最终归一化的结果

4. 求LS-SVM回归预测的MATLAB程序

能否考虑在这上面下载个：http://www.esat.kuleuven.be/sista/lssvmlab/

5. 跪求用MATLAB编写的svm源程序，可以实现支持向量机用于特征分类或提取

用LIBSVM工具箱，它是由台湾大学林智仁（Chih-Jen Lin）等开发和设计的，它是一个简单、易于使用并且快速有效的SVM软件工具包，可以解决C-支持向量分类（C-SVC）、v-支持向量分类（v-SVC）、分布估计（one-class SVM）、e-支持向量回归（e-SVR）和v-支持向量回归（v-SVR）问题。
软件下载网址：http://www.csie.ntu.edu.tw/~cjlin/libsvm/index.html#matlab
页面上有MATLAB版的，只要在matlab中安装一下就可以用了！

6. 求助啊 matlab svm到底怎么预测

利用svmtrain训练模型，svmpredict出分类结果，但matlab自带的SVM只支持二分类，如果你需要多分类的话需要下载libsvm。

7. 可以使用的支持向量机（SVM）MATLAB程序，最好是和粒子群算法（PSO）或者遗传算法（GA）耦联的程序，谢谢

拉格朗日
function y=lagrange(x0,y0,x)
n=length(x0);m=length(x);
for i=1:m
 z=x(i);
 s=0.0;
 for k=1:n
 p=1.0;
 for j=1:n
 if j~=k
 p=p*(z-x0(j))/(x0(k)-x0(j));
 end
 end
 s=p*y0(k)+s;
 end
 y(i)=s;
end
SOR迭代法的Matlab程序 
function [x]=SOR_iterative(A,b)
% 用SOR迭代求解线性方程组,矩阵A是方阵
 x0=zeros(1,length(b)); % 赋初值
 tol=10^(-2); % 给定误差界
 N=1000; % 给定最大迭代次数
 [n,n]=size(A); % 确定矩阵A的阶
 w=1; % 给定松弛因子
 k=1;
 % 迭代过程
 while k=N
 x(1)=(b(1)-A(1,2:n)*x0(2:n)')/A(1,1);
 for i=2:n
 x(i)=(1-w)*x0(i)+w*(b(i)-A(i,1:i-1)*x(1:i-1)'-A(i,i+1:n)*x0(i+1:n)')/A(i,i);
 end
 if max(abs(x-x0))=tol
 fid = fopen('SOR_iter_result.txt', 'wt');
 fprintf(fid,'\n********用SOR迭代求解线性方程组的输出结果********\n\n');
 fprintf(fid,'迭代次数: %d次\n\n',k);
 fprintf(fid,'x的值\n\n');
 fprintf(fid, '%12.8f \n', x);
 break;
 end
 k=k+1;
 x0=x;
 end
 if k==N+1
 fid = fopen('SOR_iter_result.txt', 'wt');
 fprintf(fid,'\n********用SOR迭代求解线性方程组的输出结果********\n\n');
 fprintf(fid,'迭代次数: %d次\n\n',k);
 fprintf(fid,'超过最大迭代次数，求解失败！');
 fclose(fid);
 end 
Matlab中龙格-库塔(Runge-Kutta)方法原理及实现龙格-库塔(Runge-Kutta)方法是一种在工程上应用广泛的高精度单步算法。由于此算法精度高，采取措施对误差进行抑制，所以其实现原理也较复杂。该算法是构建在数学支持的基础之上的。龙格库塔方法的理论基础来源于泰勒公式和使用斜率近似表达微分，它在积分区间多预计算出几个点的斜率，然后进行加权平均，用做下一点的依据，从而构造出了精度更高的数值积分计算方法。如果预先求两个点的斜率就是二阶龙格库塔法，如果预先取四个点就是四阶龙格库塔法。一阶常微分方程可以写作：y'=f(x,y),使用差分概念。
(Yn+1-Yn)/h= f(Xn,Yn)推出（近似等于，极限为Yn'）
Yn+1=Yn+h*f(Xn,Yn)
另外根据微分中值定理，存在0t1,使得
Yn+1=Yn+h*f(Xn+th,Y(Xn+th))
这里K＝f(Xn+th,Y(Xn+th))称为平均斜率，龙格库塔方法就是求得K的一种算法。
利用这样的原理，经过复杂的数学推导（过于繁琐省略），可以得出截断误差为O(h^5)的四阶龙格库塔公式：
K1＝f(Xn,Yn);
K2=f(Xn+h/2,Yn+(h/2)*K1);
K3=f(Xn+h/2,Yn+(h/2)*K2);
K4=f(Xn+h,Yn+h*K3);
Yn+1=Yn+h*(K1+2K2+2K3+K4)*(1/6);
所以，为了更好更准确地把握时间关系，应自己在理解龙格库塔原理的基础上，编写定步长的龙格库塔函数，经过学习其原理，已经完成了一维的龙格库塔函数。
仔细思考之后，发现其实如果是需要解多个微分方程组，可以想象成多个微分方程并行进行求解，时间，步长都是共同的，首先把预定的初始值给每个微分方程的第一步，然后每走一步，对多个微分方程共同求解。想通之后发现，整个过程其实很直观，只是不停的逼近计算罢了。编写的定步长的龙格库塔计算函数：
function [x,y]=runge_kutta1(ufunc,y0,h,a,b)%参数表顺序依次是微分方程组的函数名称，初始值向量，步长，时间起点，时间终点（参数形式参考了ode45函数）
n=floor((b-a)/h);%求步数
x(1)=a;%时间起点
y(:,1)=y0;%赋初值，可以是向量，但是要注意维数
for ii=1:n
x(ii+1)=x(ii)+h;
k1=ufunc(x(ii),y(:,ii));
k2=ufunc(x(ii)+h/2,y(:,ii)+h*k1/2);
k3=ufunc(x(ii)+h/2,y(:,ii)+h*k2/2);
k4=ufunc(x(ii)+h,y(:,ii)+h*k3);
y(:,ii+1)=y(:,ii)+h*(k1+2*k2+2*k3+k4)/6;
%按照龙格库塔方法进行数值求解
end
调用的子函数以及其调用语句：
function dy=test_fun(x,y)
dy = zeros(3,1);%初始化列向量
dy(1) = y(2) * y(3);
dy(2) = -y(1) + y(3);
dy(3) = -0.51 * y(1) * y(2);
对该微分方程组用ode45和自编的龙格库塔函数进行比较，调用如下：
[T,F] = ode45(@test_fun,[0 15],[1 1 3]);
subplot(121)
plot(T,F)%Matlab自带的ode45函数效果
title('ode45函数效果')
[T1,F1]=runge_kutta1(@test_fun,[1 1 3],0.25,0,15);%测试时改变test_fun的函数维数，别忘记改变初始值的维数
subplot(122)
plot(T1,F1)%自编的龙格库塔函数效果
title('自编的 龙格库塔函数')

8. SVM在matlab中怎么实现

　　SVM在matlab中实现：
首先需要MATLAB SVM Toolbox，将其中的文件解压并命名为svm。
将文件拷到E:\matlab\toolbox。
打开matlab点击set path---->add folder ，然后把工具箱文件夹添加进去就可以了。
路径加进去后在file→Preferences→General的Toolbox Path Caching里点击update Toolbox Path Cache更新一下。
最后在matlab的命令栏中输入which svcoutput可以查看路径E:\matlab\toolbox\svm\svcoutput.m就可以了。