优化预测基于matlab EMD优化SVR数据预测含Matlab源码 1403期

Posted 2021-11-05 紫极神光

一、EMD及SVM简介

1 引言
时间序列预测是将预测目标的历史数据按照时间的顺序排列成为时间序列，然后分析它随时间的变化趋势，外推预测值。时间序列预测，尤其是非平稳、非线性时间序列的预测在
经济、金融、工业、生物医学等领域中有着重要的应用。目前常用于时间序列预测的有回归模型和神经网络等方法，但是这些传统的单一预测方法难以在信息贫乏和不确定性条件下做出准确有效的预测?，这就使得必须根据时间序列波动趋势变化的规律和特点，找到一个鲁棒性强、预测精度高且实用的预测方法。
经验模式分解(Empirical Mode Decomposition， EMD) 可以根据信号自身的内在特性，将信息自适应地分解到不同的基本模式分量(Intrinsic Mode Function， IMF) 中， 是一种有效的非平稳、非线性信号分析方法。本文基于EMD和支持向量回归(Support Vector Regression， SVR) 方法， 提出一种新的混合智能预测模型，为非平稳、非线性时间序列的预测问题提供了很好的解决方法。纺织材料价格的预测实例充分表明该模型的准确性和有效性。

2 理论基础
2.1 经验模式分解
EMD可将任意信号分解为若干个IMF和一个余项的和34。所谓IMF就是满足如下两个条件的函数或信号：(1) 在整个数据序列中，极值点的数量(包括极大值点和极小值点)与过零
点的数量必须相等，或最多相差不多于一个；(2)任何一点，信号局部极大值确定的上包络线和局部极小值确定的下包络线的均值为零。EMD分解的具体步骤如下：
(1)假设信号为x(t)，取其上下包络局部均值组成的序列为m(t)，则：
h(t)=x(t)-m(t)(1