clear
load data.mat;
inputName = A; %输入数据的变量名
dataNum = 2; %所需预测元素的列数
[n,m] = size(inputName);%导入数据
X0 = inputName(n:-1:1,:);
Time = (1:n)’;
figure(‘name’,’病毒预测情况’,’numbertitle’,’off’);
plot(Time,X0(:,2),Time,X0(:,3)*200,’linewidth’,1.5);
grid on;
h=legend(‘病毒数’,’评价’);
set(h,’fontsize’,16);
title(‘病毒数与当次评价’);
xlabel(‘时间序号’,’fontsize’,16);
ylabel(‘病毒数与评价’,’fontsize’,16);
set(gca,’fontsize’,16);
figure(‘name’,’木马和病毒数随时间的变化情况’,’numbertitle’,’off’);
[AX]=plot(Time,X0(:,4));
grid on;
%set(GET(AX(1),’Ylabel’),’String’,’涨跌额’,’fontsize’,16);
title(‘木马随时间的变化情况’,’fontsize’,16);
xlabel(‘时间序号’,’fontsize’,16);
%第二步 利用主成分分析法
%对样本初始化
Time0=1:20;
nT0=length(Time0);
StdX0=std(X0(Time0,:));
MeanX0=mean(X0(Time0,:));
X=(X0(Time0,:)-ones(nT0,1)*MeanX0)./(ones(nT0,1)*StdX0);
%求原标准样本集的特征协方差阵
R=cov(X);
%求协方差矩阵R的全部特征值和对应的特征向量,并根据特征值由大至小进行排序
[A,L]=eig(R);
Lambda=diag(L);
[Lambda,Num1]=sort(Lambda,’descend’);
A=A(:,Num1);
%得到方差由大到小排序的主成分,其中方差的大小即为特征值
Y=X*A;
%计算超过0.85的方差累积序号
cumEnergy= cumsum(Lambda);
Energy = cumEnergy(m);
nE = find(cumEnergy/Energy>0.85,1);
%对样本进行标准化
Time0=1:20 %总共的数据数
nT0=length(Time0);
StdX0=std(X0(Time0,:));
MeanX0=mean(X0(Time0,:));
X=(X0(Time0,:)-ones(nT0,1)*MeanX0)./(ones(nT0,1)*StdX0);
%利用MatLab自带的函数princomp计算主成分
[A,Y] = princomp(X);
%将第t天的y1,y2作为BP神经网络的输入,第t+1天的病毒数x2作为BP神经网络的输出
%训练神经网络
%利用BP神经网络进行训练
YChoose = X*A(:,1:nE);
P = YChoose(Time0,:)’; %得到输入量
T = [X(Time0(2:end),dataNum)’,(X0(nT0,dataNum)-MeanX0(dataNum))/StdX0(dataNum)]; %得到输出量,把4都改成了2
%创建BP神经网络
net = newff(minmax(P),[nE,20,1],{‘tansig’,’tansig’,’tansig’},’trainlm’,’learngdm’,’msereg’);
net = init(net);%初始化
%训练神经网络
net.performFcn=’sse’; %设置性能函数
net.trainParam.goal = 0.01; %训练速度
net.trainParam.show = 20; %两次之间的训练次数,默认25
net.trainParam.epochs=5000; %最大训练次数,默认是100
net.trainParam.mc = 0.95; %神经网络的动量因子
[net,tr] = train(net,P,T); %对网络进行训练
%将训练好的神经网络检验剩下的50组数据
YOut = sim(net,P); %输出训练后的神经网络的输出
%对输出进行反归一化
x2 = StdX0(dataNum)*MeanX0(dataNum); %4替换为2
figure(‘name’,’实际病毒与预测病毒的比较’,’numbertitle’,’off’);
plot(Time0+1,X0(Time0+1,dataNum),Time0+1,x2,’linewidth’,1.5); %4改成了2
grid on;
h=legend(‘实际病毒数’,’预测病毒数’);
set(h,’fontsize’,16);
title(‘实际病毒数与预测病毒数比较’);
xlabel(‘时间序号’,’fontsize’,16);
ylabel(‘病毒感染数’,’fontsize’,16);
set(gca,’fontsize’,16);
%对后面4组数据进行测试
Time1 = 20:23; %预测数据的列数
nT1 = length(Time1);
X1 = (X0(Time1,:)-ones(nT1,1)*MeanX0)./(ones(nT1,1)*StdX0); %归一化
YChoose1 = X1*A(:,1:nE);
P1 = YChoose1(1:nT1,:)’; %得到输出量
YOut1 = sim(net,P1); %输出训练后神经网络的输出
x21 = StdX0(2)*YOut1+MeanX0(2); %对输出进行反归一化
figure(‘name’,’实际病毒与预测病毒的比较’,’numbertitle’,’off’);
plot(Time1+1,X0(Time1+1,2),Time1+1,x21,’linewidth’,1.5); %4改成了2
grid on;
h=legend(‘实际病毒数’,’预测病毒数’);
set(h,’fontsize’,16);
title(‘实际病毒数与预测病毒数比较’);
xlabel(‘时间序号’,’fontsize’,16);
ylabel(‘病毒感染数’,’fontsize’,16);
set(gca,’fontsize’,16);
相关推荐
数学建模论文 ——中小微企业的信贷决策
中小微企业的信贷决策 摘 要 本文针对中小微企业的信贷决策问题,建立了基于层次分析法的信贷策略优化模型,解决了银行对 123 家企业贷款金额分配的问题。构建了 0-1 整数规划的信贷策略模型,实现了无信贷记录企业贷款金额的分配。建立了基于道格拉斯函数的信贷调整策略模型,制定了突发情况下一亿元信贷额度的分配方案。 针对问题一,建立了基于层次分析法的信贷策略优化模型,解决了银行对 123 家企业贷款金额分配的问题。首先,对数据进行筛查,保留有效发票的资金来往数据,并根据进项、销项发票信息,剔除利润率
【ML】主成分分析 PCA(Principal Component Analysis)原理 + 实践 (基于sklearn)
机器学习 主成分分析 PCA(Principal Component Analysis)原理 + 实践 (基于sklearn)
数据分析的基础:前言、概念、应用、分析方法、分析工具、基本流程、Python数据分析常用模块
文章目录一.前言1.数据价值2.数据分析之路二.数据分析的概念三.数据分析的应用四.数据分析方法1.概念2.详解五.数据分析工具六.数据分析的基本流程七.Python数据分析常用模块1.数值计算模块NumPy2.数据处理模块Pandas3.数据可视化模块matplotlib4.机器学习模块scikit-learn5.深度学习模块tensorflow 一.前言 1.数据价值 (1)传统的web项目 在中国一一提到IT,人们首先联想到程序员。IT(Information Technology)信息技术,当中
机器学习——主成分分析(PCA)
给定n个样本(每个样本的维度为p维)定义为样本在第一主成分/主方向上的投影:其中和都是用向量表示的:每个样本都对应一个,两个向量进行内积运算就能将映射到方向上,,如果将的模约束为1,那么和的内积就是,即样本在主方向上的投影。(为什么是,如果我没理解错的话,和都是列向量,两个向量的内积应该就是第一个转置成行向量与第二个列向量相乘)主成分分析的目标是找到,使得的方差最大,同时要满足约束条件。
pca主成分分析_主成分分析(PCA)机器学习笔记
Principal Component Analysis (PCA )被归类为机器学习十大算法之一。用于从一组较大的数据中识别少数的具有代表性的特征,即主成分。主成分分析是由卡尔·皮尔森(Karl Pearson)于1901年发明的一种用于预测模型和探索性数据分析的工具。主成分分析是一种有用的统计方法,现在广泛应用于图像压缩、人脸识别、神经科学和计算机图形学等领域。是不是没想到119年前...
数学建模的三大模型和十大常用算法
—有效的多指标评价方法,通过构造评价问题的正理想解和负理想解,即各指标的最优解和最劣解,通过计算每个方案到理想方案的相对贴近度,即靠近正理想解和负理想解的程度,来对方案进行排序,进而选出最优方案。一些连续离散化方法(很多问题都是实际来的,数据可以是连续的,而计算机只认的是离散的数据,因此将其离散化后进行差分代替微分、求和代替积分等思想是非常重要的)蒙特卡罗算法(该算法又称随机性模拟算法,是通过计算机仿真来解决问题的算法,同时可以通过模拟可以来检验自己模型的正确性,是比赛时必用的方法)
PCA(主成分分析)-------原理,推导,步骤、实例、代码
2.思想:PCA的思想是将n维特征映射到m维上(m<n),这m维是全新的正交特征,称为主成分,这m维的特征是重新构造出来的,不是简单的从n维特征中减去n-m维特征。2.PCA可以从数据中识别主要特征,通过将数据坐标轴旋转到数据角度上那些最重要的方向(方差最大),然后通过特征值分析,确定出需要保留的主成分个数,舍弃其他主成分,从而实现数据的降维。也就是说在d1方向上的投影的绝对值之和最大(也可以说方差最大),计算投影的方法就是将x与d1做内积,由于只需要求d1的方向,所以设d1是单位向量。
主成分分析及预测
总结的主成分分析的函数程序和基于GM(1,1)的预测分析程序。
数学建模国赛LaTex模板讲解(Slager模板)
1.代表此篇文章开始(begin doucument) 2.摘要部分 首先newpage代表新的一页 begin和end对应 center代表此页内容要居中 /vspace代表标题和摘要之间的垂直宽度 (4em就可以)
Vue3集成百度实时语音识别
Vue3集成百度实时语音识别
CoppeiaSim(VREP)入门
vrep/CoppeliaSim关节抖动问题原因总结【Coppeliasim|轨迹规划(一)】设置机械臂的关节角时保证机械臂不散架设置机械臂的关节角时保证机械臂不散架。
2020新型冠状病毒肺炎的传播分析及对经济的影响
新型冠状病毒肺炎(COVID-19)的传播分析及对经济的影响 请你建立 COVID-19 传播的数学模型,定量地研究传染病的传播规律,利用所给(不限于)资料和数据,作出预测并给出控制传染病蔓延的对策建议,具体要求如下: 建立模型,预测不同国家或地区(至少预测两个国家或地区)确诊病例和死亡病例数的变化。对具体国家或地区卫生部门所采取的措施做出评论,如: 针对美国采取的防控措施,讨论实施或取消居家令(stay-at-home)和就地避难令(shelter-in-place)对疫情传播的影响;或针对我国采取的隔
SA8155 QNX显示框架与WFD配置实战:从黑屏排查到高可用设计
智能座舱中,车载显示系统的稳定性直接关系到驾驶安全。QNX作为高安全性的操作系统,在座舱仪表、ADAS等关键域中承担着确定性调度与隔离职责,其图形体系Screen与显示输出框架WFD协同工作,构成从应用渲染到面板点亮的完整链路。WFD配置涉及时序、通道映射与行为控制,任何参数偏差或加载异常都可能导致黑屏、花屏等故障。为保障系统可用性,需结合心跳监控、日志采集、通路重试与备份显示切换等策略,构建兼具快速感知与恢复能力的防御体系。本文以SA8155平台为例,深入拆解QNX显示框架的架构与WFD配置要点,结合一次
2022年认证杯SPSSPRO杯数学建模C题(第一阶段)污水流行病学原理在新冠疫情防控方面的作用求解全过程文档及程序
2022年认证杯SPSSPRO杯数学建模C题 污水流行病学原理在新冠疫情防控方面的作用。
【STM32】IEC60730 Class B软件安全实现 Part2:自检库实战指南
本文是STM32 IEC60730 Class B软件安全实现的实战指南,详细介绍了如何将X-CUBE-CLASSB自检库集成到用户项目中。内容涵盖软件包解构、内存划分、启动与运行时自检的集成步骤、关键代码示例及调试技巧,并阐述了为最终通过安全认证所需的文档与流程准备,帮助开发者高效实现MCU功能安全。
uniapp - 实现手机端H5网页直播功能效果,拿到后端推流地址或播放资源后进行前端的流畅播放和画面展示功能,uniapp实时推流/拉流直播系统详细教程(提供完整示例代码,一键复制开箱即用!)
uniapp,h5网页,手机端H5网页,uniapp h5直播功能页面,uniapp直播实时推送显示,uniapp h5直播怎么做,怎么使用uniapp去实现移动端手机H5直播,h5 vue+uniapp怎么做直播,uniapp中使用videojs构建H5直播播放器,uniappH5端怎么实现直播推流,uniapp如何实现直播,直播聊天功能,h5平台端直播用什么插件,uniapp手机网页直播用什么组件插件播放器,uniapp手机H5直播播放器详细教程,直播项目,怎么使用vue+uniapp怎么做H5实时直播
数学建模三大模型以及十大算法
数学建模三大模型以及十大算法
SiC MOSFET 失效机制详解
TDDB 指在相对较低电场(通常接近或略高于器件工作电压)下,长时间施加电压导致介电层(如栅氧化物)逐渐退化并最终击穿的现象。与即时击穿(Immediate Breakdown,由强电场直接引起)不同,TDDB 是时间相关的渐进过程,通常发生在数小时、几天甚至数年之后。核心过程:在 MOSFET 中,栅极与衬底之间施加电压时,电子通过量子隧道效应(Tunneling)注入介电层,形成缺陷或陷阱。这些缺陷积累,最终在介电层中形成导电路径(Conductive Path),导致短路和器件失效。统计特性。
【数学建模】常见模型分类
自用常见模型归纳
在jetson上对fastdeploy进行源码编译(完整版)
在大多数Linux发行版中,你可以使用包管理器安装Python开发包。根据jetpack的版本选择对应的推理库版本。在~/.bashrc中写入这三行。
4 屏 + 8 摄像头一开,谁在悄悄拖慢你的座舱域控?
如果你觉得座舱卡顿:❌ 别第一反应怪 SoC❌ 别盲目堆算力。
数学建模常见题型和建模方案
本文针对数学建模的三种赛题做基本介绍和建模方案分享
C# WinForm 基于DirectShow.dll编写的程序,可边预览边保存视频,音频和图片
基于微软的DirectShow.dll的二次开发1.自动识别连接的摄像头跟麦克风且可以对其进行选择(默认选中第一个)2.可录制wmv和avi两种格式的视频并且都带有音频,avi可以录制的分辨率和帧数进行选择,wmv默认进行了淸晰度优化如不喜欢可去除代码中有相关提示3.可在预览点开之后进行拍照,也可边录制视频边拍照4.添加了视频和音频的压缩功能(酌情使用)这次二次开发发现C#对DirectShow的相关信息太少,这次做完也不敢藏私共享出来,还望大家指正
机器学习 - 主成分分析法 (PCA)
在**PCA**中,要做的是找到一个方向向量(**Vector direction**),当把所有的数据都投射到该向量上时,希望投射平均均方误差能尽可能地小。方向向量是一个经过原点的向量,而投射误差是从特征向量向该方向向量作垂线的长度。问题是要将$n$维数据降至$k$维,目标是找到向量$u^{(1)}$,$u^{(2)}$,...,$u^{(k)}$使得总的投射误差最小。主成分分析与线性回顾的比较:
visio安装包
Microsoft Office Visio 是一款专业的制图软件。利用经过更新的形状、协作工具和数据链接图表,创建专业级图表以简化复杂的信息。
廖雪峰Python教程[完整版]
廖雪峰的python教程整理的,已经排好版了,而且还是完整的,适合小白
主成分回归之后预测_回归分析之主成分回归
主成分回归就是把去除常数项的设计矩阵做了一个正交变换,也就是说新的自变量就是原来自变量的线性组合。是对普通最小二乘法估计的一种改进,其参数估计是有偏估计。主成分分析是用降维的思想,在实际操作中,正交旋转变换往往会使得在损失的信息很少的情况下,自变量的个数大大减少,较少的自变量往往是我们需要的,因此它的作用也就不言而喻。上一节我们重点放在了它在检验多重共线性上的应用。这里我们从纯理论的角度出发重新来...
jre9下载 jdk9
(Java SE Runtime Environment 9.0) 9.0u175 官方最新版 【x86|x64】
利用主成分分析对声速剖面降维_对基于降维(特征、成分)的回归方法作个简介...
对那些基于降维(特征、成分)的回归方法作个简介对基于降维(特征、成分)的回归方法作个简介mp.weixin.qq.com很多生物学数据集具有高维的特征,体现在变量数量非常多且存在高度共线性,难以通过常规的多元回归分析变量间关系。在前文基于相似或相异度矩阵的多元回归(MRM)中,提到了一种替代方法是可以根据多变量数据计算所有样本之间的相似度或距离,然后基于相似或相异度矩阵执行回归分析,解释一组变量...
主成分回归之后预测_主成分回归解析.ppt
教学课件课件PPT医学培训课件教育资源教材讲义主成分回归分析一、主成分估计主成分估计是以P个主成分中的前q个贡献大的主成分为自变量建立回归方程,估计参数的一种方法。它可以消除变量间的多重共线性。回归方程对各变量进行标准化处理对于解释变量X*,使得z=X*U1、给定c,2、删去 的特征根所对应的主成分。3、例3.10 影响电的需求量的指标有:(1)钢的产量x1;(2)生铁产量x2...
4248



被折叠的 条评论
为什么被折叠?



