%% 清空环境变量 clc clear
%% 下载数据
load data1 input output
%% 权重初始化 k=rand(1,2000); [m,n]=sort(k);
%训练样本
input_train=input(n(1:1900),:)'; output_train=output(n(1:1900),:)';
%测试样本
input_test=input(n(1901:2000),:)'; output_test=output(n(1901:2000),:)';
%样本权重
[mm,nn]=size(input_train); D(1,:)=ones(1,nn)/nn;
%训练样本归一化
[inputn,inputps]=mapminmax(input_train); [outputn,outputps]=mapminmax(output_train);
K=10; for i=1:K
%弱预测器训练
net=newff(inputn,outputn,5); net.trainParam.epochs=20; net.trainParam.lr=0.1;
net=train(net,inputn,outputn);
%弱预测器预测 an1=sim(net,inputn);
BPoutput=mapminmax('reverse',an1,outputps);
%预测误差
erroryc(i,:)=output_train-BPoutput;
%测试数据预测
inputn1=mapminmax('apply',input_test,inputps); an2=sim(net,inputn1);
test_simu(i,:)=mapminmax('reverse',an2,outputps);
%调整D值 Error(i)=0; for j=1:nn
if abs(erroryc(i,j))>0.2 %较大误差 Error(i)=Error(i)+D(i,j); D(i+1,j)=D(i,j)*1.1; else
D(i+1,j)=D(i,j); end end
%计算弱预测器权重
at(i)=0.5/exp(abs(Error(i)));
%D值归一化
D(i+1,:)=D(i+1,:)/sum(D(i+1,:)); end
%% 强预测器预测 at=at/sum(at);
%% 结果统计 %强分离器效果
output=at*test_simu; error=output_test-output; plot(abs(error),'-*') hold on for i=1:8
error1(i,:)=test_simu(i,:)-output; end
plot(mean(abs(error1)),'-or')
title('强预测器预测误差绝对值','fontsize',12) xlabel('预测样本','fontsize',12) ylabel('误差绝对值','fontsize',12)
legend('强预测器预测','弱预测器预测')