开通博客赚积分
发布资源赚积分
分类

源码开发语言/平台
当前位置：首页 > 源码/资料 > 通讯/手机编程 > TAPI编程 > 查看源码
MLR预测.m
资源名称：rbf 网络设计实例.rar　[点击查看]
上传用户：yetwld
上传日期：2010-01-26
资源大小：82k
文件大小：7k
源码类别：

TAPI编程

开发平台：

Matlab

MLR预测.m：源码内容
  1. %%多元线性回归预测
  2. %标准化后的测试数据集tg_data
  3. tg_data=[0.1 0.68668 0.67143 0.79999 0.79091 0.40004;
  4. 0.36667 0.58001 0.1 0.7 0.71818 0.20001;
  5. 0.26 0.47334 0.1 0.29997 0.2091 0.80009;
  6. 0.36667 0.9 0.9 0.29997 0.13637 0.37504;
  7. 0.26 0.84668 0.67143 0.1 0.42727 0.37504;
  8. 0.36667 0.58001 0.44286 0.49999 0.1 0.55006;
  9. 0.15333 0.47334 0.44286 0.7 0.42727 0.60006;
  10. 0.1 0.84668 0.67143 0.29997 0.5 0.1;
  11. 0.15333 0.42 0.21429 0.49999 0.5 0.55006;
  12. 0.20667 0.79335 0.21429 0.59999 0.5 0.32503;
  13. 0.1 0.42 0.21429 0.9 0.5 0.45005;
  14. 0.1 0.84668 0.32857 0.59999 0.5 0.27502;
  15. 0.20667 0.47334 0.32857 0.29997 0.13637 0.50005;
  16. 0.1 0.68668 0.67143 0.49999 0.24546 0.20001;
  17. 0.42 0.58001 0.21429 0.9 0.9 0.42504;
  18. 0.31334 0.58001 0.44286 0.49999 0.31818 0.25002;
  19. 0.15333 0.42 0.1 0.19999 0.35454 0.55006;
  20. 0.20667 0.47334 0.32857 0.29997 0.31818 0.27502;
  21. 0.15333 0.68668 0.44286 0.29997 0.31818 0.40004;
  22. 0.20667 0.20667 0.21429 0.39999 0.28183 0.52506;
  23. 0.26 0.79335 0.21429 0.49999 0.57273 0.9;
  24. 0.42 0.36667 0.1 0.59999 0.35454 0.30003;
  25. 0.47334 0.36667 0.1 0.59999 0.57273 0.35003;
  26. 0.1 0.47334 0.67143 0.7 0.42727 0.49894;
  27. 0.42 0.58001 0.67143 0.49999 0.24546 0.47505;
  28. 0.31334 0.1 0.32857 0.9 0.79091 0.8501;
  29. 0.1 0.52667 0.21429 0.9 0.5 0.50005;
  30. 0.52667 0.55867 0.21429 0.1 0.28183 0.42504;
  31. 0.9 0.58001 0.55715 0.1 0.17273 0.32503;
  32. 0.15333 0.68668 0.62572 0.29997 0.2091 0.57506];
  33. %多元线性回归建模
  34. %标准化后的建模数据集
  35. mg_data=[0.26667 0.47647 0.35 0.30741 0.39565 0.9;
  36. 0.2 0.75882 0.35 0.27778 0.53479 0.46001;
  37. 0.2 0.52353 0.4 0.33704 0.32609 0.48001;
  38. 0.66667 0.52353 0.29999 0.21852 0.27391 0.50001;
  39. 0.26667 0.75882 0.6 0.33704 0.32609 0.44001;
  40. 0.16667 0.57059 0.29999 0.27778 0.3087 0.46001;
  41. 0.2 0.71176 0.4 0.36667 0.44783 0.48001;
  42. 0.23333 0.71176 0.5 0.30741 0.15218 0.34001;
  43. 0.16667 0.42941 0.5 0.24815 0.5 0.48001;
  44. 0.13333 0.57059 0.5 0.3963 0.41305 0.48001;
  45. 0.16667 0.75882 0.5 0.21852 0.3087 0.52001;
  46. 0.16667 0.71176 0.4 0.27778 0.48261 0.44001;
  47. 0.23333 0.75882 0.5 0.33704 0.3087 0.48001;
  48. 0.13333 0.75882 0.5 0.33704 0.23913 0.42001;
  49. 0.16667 0.75882 0.2 0.18889 0.13478 0.1;
  50. 0.13333 0.71176 0.35 0.27778 0.32609 0.14;
  51. 0.2 0.24119 0.35 0.24815 0.3087 0.88001;
  52. 0.70001 0.47647 0.25 0.33704 0.20435 0.38001;
  53. 0.4 0.52353 0.2 0.15927 0.23913 0.34001;
  54. 0.26667 0.47647 0.35 0.12963 0.16957 0.36;
  55. 0.16667 0.6647 0.35 0.27778 0.27391 0.40001;
  56. 0.3 0.61764 0.55 0.24815 0.25652 0.62001;
  57. 0.13333 0.75882 0.6 0.30741 0.20435 0.62001;
  58. 0.3 0.71176 0.55 0.18889 0.20435 0.70001;
  59. 0.13333 0.57059 0.5 0.30741 0.29131 0.72001;
  60. 0.16667 0.80588 0.5 0.21852 0.23913 0.60001;
  61. 0.1 0.61764 0.6 0.21852 0.16957 0.62001;
  62. 0.23333 0.61764 0.5 0.3963 0.3087 0.70001;
  63. 0.2 0.80588 0.45 0.18889 0.1 0.48001;
  64. 0.23333 0.6647 0.45 0.1 0.11739 0.54001;
  65. 0.2 0.52353 0.29999 0.30741 0.16957 0.50001;
  66. 0.16667 0.71176 0.6 0.24815 0.23913 0.70001;
  67. 0.1 0.85293 0.6 0.12963 0.16957 0.52001;
  68. 0.3 0.61764 0.5 0.21852 0.13478 0.64001;
  69. 0.13333 0.61764 0.4 0.27778 0.23913 0.62001;
  70. 0.16667 0.80588 0.6 0.3963 0.23913 0.36;
  71. 0.23333 0.75882 0.75 0.30741 0.1 0.66001;
  72. 0.13333 0.9 0.6 0.27778 0.20435 0.44001;
  73. 0.16667 0.61764 0.29999 0.27778 0.32609 0.60001;
  74. 0.16667 0.71176 0.6 0.27778 0.27391 0.52001;
  75. 0.1 0.85293 0.45 0.1 0.23913 0.54001;
  76. 0.1 0.71176 0.69999 0.27778 0.43044 0.76001;
  77. 0.1 0.38236 0.6 0.30741 0.32609 0.64001;
  78. 0.1 0.75882 0.6 0.33704 0.25652 0.46001;
  79. 0.73333 0.71176 0.25 0.45556 0.5 0.50001;
  80. 0.56667 0.61764 0.35 0.33704 0.34348 0.74;
  81. 0.13333 0.6647 0.75 0.75186 0.69131 0.56001;
  82. 0.83334 0.61764 0.25 0.60371 0.44783 0.38001;
  83. 0.9 0.33529 0.2 0.3963 0.3087 0.54001;
  84. 0.4 0.61764 0.5 0.3963 0.44783 0.48001;
  85. 0.1 0.57059 0.4 0.57408 0.7261 0.88001;
  86. 0.16667 0.61764 0.35 0.27778 0.34348 0.38001;
  87. 0.1 0.47647 0.35 0.75186 0.83045 0.62001;
  88. 0.2 0.47647 0.35 0.81111 0.83045 0.70001;
  89. 0.1 0.33529 0.6 0.9 0.9 0.50001;
  90. 0.13333 0.24119 0.4 0.81111 0.86522 0.58356;
  91. 0.4 0.80588 0.6 0.48519 0.55218 0.42001;
  92. 0.5 0.42941 0.45 0.57408 0.37826 0.56001;
  93. 0.16667 0.28824 0.25 0.75186 0.79567 0.54001;
  94. 0.23333 0.33529 0.4 0.84075 0.65653 0.68001;
  95. 0.13333 0.57059 0.6 0.57408 0.67392 0.46001;
  96. 0.5 0.57059 0.5 0.51482 0.55218 0.44001;
  97. 0.1 0.6647 0.69999 0.57408 0.65653 0.88001;
  98. 0.3 0.75882 0.75 0.21852 0.37826 0.70001;
  99. 0.23333 0.57059 0.6 0.3963 0.41305 0.48001;
  100. 0.59999 0.80588 0.45 0.24815 0.25652 0.42001;
  101. 0.70001 0.28824 0.65 0.63334 0.58696 0.60001;
  102. 0.4 0.61764 0.4 0.33704 0.34348 0.34001;
  103. 0.46666 0.1 0.5 0.63334 0.65653 0.54001;
  104. 0.23333 0.33529 0.25 0.84075 0.7261 0.50001;
  105. 0.2 0.47647 0.1 0.27778 0.3087 0.42001;
  106. 0.36667 0.52353 0.5 0.51482 0.83045 0.62001;
  107. 0.4 0.47647 0.45 0.33704 0.32609 0.50001;
  108. 0.33333 0.33529 0.4 0.63334 0.7261 0.46001;
  109. 0.23333 0.24119 0.55 0.63334 0.7261 0.53778;
  110. 0.13333 0.24119 0.45 0.33704 0.3087 0.76001;
  111. 0.33333 0.47647 0.45 0.42593 0.41305 0.70001;
  112. 0.5 0.1 0.35 0.3963 0.48261 0.70001;
  113. 0.46666 0.52353 0.4 0.63334 0.86522 0.52001;
  114. 0.26667 0.33529 0.25 0.69259 0.83045 0.68001;
  115. 0.26667 0.71176 0.6 0.42593 0.55218 0.34001;
  116. 0.4 0.42941 0.5 0.45556 0.43044 0.52001;
  117. 0.23333 0.47647 0.6 0.54445 0.62175 0.52001;
  118. 0.36667 0.47647 0.4 0.69259 0.69131 0.52001;
  119. 0.26667 0.61764 0.29999 0.63334 0.81306 0.44001;
  120. 0.1 0.33529 0.65 0.3963 0.23913 0.44001;
  121. 0.13333 0.57059 0.6 0.51482 0.55218 0.38001;
  122. 0.2 0.33529 0.55 0.45556 0.55218 0.52001;
  123. 0.33333 0.24119 0.29999 0.57408 0.83045 0.64001;
  124. 0.16667 0.42941 0.5 0.45556 0.76088 0.58001;
  125. 0.13333 0.71176 0.65 0.45556 0.37826 0.22001;
  126. 0.1 0.71176 0.6 0.63334 0.69131 0.28001;
  127. 0.2 0.52353 0.9 0.36667 0.48261 0.36446;
  128. 0.16667 0.71176 0.8 0.36667 0.32609 0.42001;
  129. 0.13333 0.42941 0.55 0.51482 0.48261 0.58001;
  130. 0.4 0.47647 0.5 0.30741 0.37826 0.48001;
  131. 0.8 0.52353 0.4 0.30741 0.34348 0.48001;
  132. 0.1 0.6647 0.69999 0.51482 0.5 0.38001;
  133. 0.16667 0.6647 0.55 0.45556 0.32609 0.34001;
  134. 0.23333 0.61764 0.65 0.51482 0.41305 0.2;
  135. 0.3 0.71176 0.5 0.33704 0.5174 0.70001;
  136. 0.13333 0.57059 0.5 0.33704 0.44783 0.60001;
  137. 0.3 0.80588 0.69999 0.54445 0.5174 0.50001;
  138. 0.13333 0.75882 0.65 0.3963 0.37826 0.28001;
  139. 0.16667 0.71176 0.65 0.57408 0.5 0.70001;
  140. 0.16667 0.75882 0.6 0.45556 0.62175 0.44001;
  141. 0.26667 0.61764 0.65 0.3963 0.34348 0.74;
  142. 0.36667 0.57059 0.5 0.30741 0.39565 0.62001;
  143. 0.16667 0.57059 0.65 0.3963 0.29131 0.62001;
  144. 0.2 0.52353 0.5 0.48519 0.39565 0.44001;
  145. 0.4 0.52353 0.45 0.33704 0.34348 0.56001;
  146. 0.13333 0.52353 0.5 0.33704 0.29131 0.52001;
  147. 0.26667 0.42941 0.5 0.75186 0.65653 0.76001;
  148. 0.13333 0.24119 0.5 0.54445 0.58696 0.64001;
  149. 0.13333 0.14707 0.1 0.51482 0.5174 0.58001;
  150. 0.2 0.24119 0.29999 0.60371 0.62175 0.74;
  151. 0.26667 0.42941 0.25 0.57408 0.65653 0.60001;
  152. 0.56667 0.19412 0.4 0.78148 0.69131 0.70001;
  153. 0.4 0.57059 0.25 0.60371 0.58696 0.50001;
  154. 0.33333 0.47647 0.25 0.48519 0.65653 0.72001;
  155. 0.4 0.38236 0.29999 0.42593 0.23913 0.58001;
  156. 0.13333 0.61764 0.65 0.57408 0.55218 0.70001;
  157. 0.23333 0.42941 0.69999 0.63334 0.48261 0.62001;
  158. 0.2 0.28824 0.55 0.81111 0.76088 0.58];
  159. %多元线性回归建模
  160. n=length(mg_data);
  161. X=[mg_data(:,1:5)]; 
  162.  %
  163.  %定义期望输出Y（主导变量：出池时的淀粉量）
  164.  Y=mg_data(:,6); 
  165.  %求取回归系数距阵B
  166. [B,bint,err,rint,state]=regress(Y,X);
  167. %
  168. m=length(tg_data);
  169. %测试样本中的辅助变量x
  170. x=[tg_data(:,1:5)];
  171. %化验输出值y
  172. y=tg_data(:,6);
  173. %模型预测输出yy 
  174.  yy=x*B; 
  175.  %残差e
  176.  e=y-yy;
  177.  %定义误差性能函数，评价模型的预测能力
  178.  ySSE=e'*e;         %误差平方和函数   
  179. yMSE=ySSE/m;         %均方误差函数  
  180.  %绘制出实际输出与预测输出的拟合曲线
  181.  figure;
  182.  plot(tg_data(:,6),'-+');
  183.  hold on;
  184.  plot(yy,'r:*');
  185.  legend('化验值','预测值');
  186.  title('多元线性回归模型输出预测曲线');
  187.  xlabel('输入样本点');
  188.  ylabel('淀粉利用率');
  189.  axis([1,30,0,1]);