1 内容介绍
随着现代信息技术的迅速发展，许多领域都积累了大量的数据。我们渴望发现潜在于这些数据中的知识与规律。正是这一需求造就了数据挖掘学科的兴起及数据挖掘技术的发展。作为一个多学科交叉的综合性领域，数据挖掘涉及了数据库、统计学、机器学习、高性能计算、模式识别、神经网络和数据可视化等学科。数据分类与预测作为一种重要的挖掘技术有着广泛的应用。在这一研究方向，目前已提出了多种分类方法（如决策树归纳分类、贝叶斯分类、神经网络分类和K-最邻近分类等）和一些预测技术（如线性回归、非线性回归等）。然而，尚未发现有一种方法对所有数据的处理都优于其他方法[1]。 由于时间序列数据库的日趋庞大及其挖掘的潜在意义，目前，时序数据挖掘研究已成为一个热点；然而,时间序列数据的非线性混沌特点，使得对它的挖掘成为难题。本文在分析与比较以上几种分类及预测方法的基础上，引入了径向基函数神经网络（Radial Basis Function Neural Network，简称RBFNN）对时间序列数据进行预测。
2 仿真代码
%% 清空环境变量
warning off % 关闭报警信息
close all % 关闭开启的图窗
clear % 清空变量
clc % 清空命令行
%% 导入数据
res = xlsread('数据集.xlsx');
%% 划分训练集和测试集
temp = randperm(357);
P_train = res(temp(1: 240), 1: 12)';
T_train = res(temp(1: 240), 13)';
M = size(P_train, 2);
P_test = res(temp(241: end), 1: 12)';
T_test = res(temp(241: end), 13)';
N = size(P_test, 2);
%% 数据归一化
[p_train, ps_input] = mapminmax(P_train, 0, 1);
p_test = mapminmax('apply', P_test, ps_input);
t_train = ind2vec(T_train);
t_test = ind2vec(T_test );
3 运行结果
4 参考文献
[1]胡浩民. 基于RBF神经网络并行学习模型的数据分类及预测研究[D]. 上海师范大学, 2003.
