Advertisement
Not a member of Pastebin yet?
Sign Up,
it unlocks many cool features!
- close all
- clear
- clc
- Szerokosc = 5;
- Neurony = 6;
- X = 365; % ilosc probek do przewidzenia
- stock = load('stock.txt');
- firma = stock(:,2);
- plot(firma)
- dane = zeros( length(firma) - Szerokosc, Szerokosc+1);
- for i=1:length(firma) - Szerokosc
- for j=1:Szerokosc+1
- dane(i,j) = firma( i + j - 1);
- end
- end
- we = dane(1:end-X,1:Szerokosc)';
- wy = dane(1:end-X,Szerokosc + 1)';
- net = newff(we,wy,[Neurony], { 'tansig', 'purelin'});
- net.inputweights{1,1}.initFcn = 'rands';
- net.biases{1}.initFcn = 'rands';
- net = init(net); % inicjujemy wagi losowo
- net.trainParam.epochs = 100;
- figure(1)
- we1 = dane(end-X+1:end,1:Szerokosc)';
- wy1 = sim(net, we1);
- plot(wy1,'r'); hold on;
- plot(wy(end-X+1:end),'b')
- title('Charakterystyka modelu przed uczeniem')
- net = train(net, we, wy);
- figure(2)
- wy2 = sim(net, we1);
- rzeczywistewartosci = wy(end-X+1:end);
- plot(wy2,'g'); hold on;
- plot(rzeczywistewartosci,'b');
- xlim([0 X])
- title('Charakterystyka modelu po uczeniu')
- blad = sqrt((sum( (wy2 - rzeczywistewartosci).^2))/length(wy2))
Advertisement
Add Comment
Please, Sign In to add comment
Advertisement