当前位置：首页 > news >正文

基于近似径向基函数神经网络(RBF)的时间序列预测的Matlab代码

news 2026/3/27 5:53:05

基于近似径向基函数神经网络(RBF)的时间序列预测 RBF时间序列 matlab代码注：暂无Matlab版本要求 -- 推荐 2018B 版本及以上

最近在折腾时间序列预测的项目，发现径向基函数神经网络（RBFNN）用起来挺有意思。这玩意儿不像普通前馈网络那么死板，核心在于用径向基函数做隐层激活，对非线性的时间序列数据适应性强。今天咱们用Matlab整活一个极简版实现，手把手看看怎么玩转这个套路。

基于近似径向基函数神经网络(RBF)的时间序列预测 RBF时间序列 matlab代码注：暂无Matlab版本要求 -- 推荐 2018B 版本及以上

先搞点模拟数据开胃。假设我们要预测的是正弦波叠加随机噪声的时间序列：

% 生成带噪声的正弦波 t = 0:0.1:20; y = sin(t) + 0.2*randn(size(t)); lag = 5; % 用前5个点预测下一个点

这里有个小技巧：时间序列预测的关键在于构建输入输出对。我们需要把时序数据切成滑动窗口：

% 构造训练数据 inputs = zeros(lag, length(t)-lag); targets = zeros(1, length(t)-lag); for i = 1:length(t)-lag inputs(:,i) = y(i:i+lag-1); targets(i) = y(i+lag); end

接下来是RBF网络的核心部分。和普通神经网络不同，RBF的隐层节点通常用高斯函数激活，而且中心点的选择直接影响性能。这里偷个懒直接用k-means聚类确定中心：

% 设置RBF参数 hiddenSize = 15; % 隐层节点数 [centers, ~] = kmeans(inputs', hiddenSize); % k-means找中心点 sigma = 0.8; % 高斯核宽度 % 计算隐层输出 dist = pdist2(inputs', centers); % 计算输入到各中心的距离 hiddenOut = exp(-dist.^2/(2*sigma^2)); % 高斯激活

这里有个坑要注意：k-means对初始值敏感，可能导致每次结果不一致。如果数据量不大，可以多跑几次选最优的。sigma参数控制核函数的平滑程度，调这个能显著影响模型表现。

输出层就是简单的线性组合，用正则化防止过拟合：

% 训练输出层权重 lambda = 0.01; % 正则化系数 W = (hiddenOut' * hiddenOut + lambda*eye(hiddenSize)) \ (hiddenOut' * targets');

预测阶段的操作和训练时类似，但要注意用训练好的中心点和sigma值：

% 预测函数 predict = @(x) exp(-pdist2(x', centers).^2/(2*sigma^2)) * W;

为了验证效果，咱们做个滚动预测。用前lag个点预测下一个点，然后把预测值作为输入继续预测：

% 滚动预测 test_input = inputs(:,1); pred_sequence = zeros(1,50); for i = 1:50 pred = predict(test_input); pred_sequence(i) = pred; test_input = [test_input(2:end); pred]; % 更新输入窗口 end

最后画个对比图看看效果：

figure plot(t(1:50+lag), y(1:50+lag), 'b-', 'LineWidth', 1.5) hold on plot(t(lag+1:lag+50), pred_sequence, 'r--', 'LineWidth', 1.2) legend('真实值', '预测值') title('RBF时间序列预测效果') xlabel('时间步') ylabel('数值')

几个调参经验：