优化理论与小波分析在时间序列分析中的应用研究 |
论文目录 | | | 摘要 | 第1-6页 | | ABSTRACT | 第6-11页 | | 第1章 绪论 | 第11-19页 | | 1.1 课题背景及研究的目的和意义 | 第11-12页 | | 1.2 时间序列分析研究现状 | 第12-13页 | | 1.3 时间序列模型参数的估计法 | 第13-14页 | | 1.4 共轭梯度法和谱共轭梯度法的发展历史 | 第14-15页 | | 1.4.1 共轭梯度法的发展历史 | 第14页 | | 1.4.2 谱共轭梯度法的发展历史 | 第14-15页 | | 1.5 小波分析和人工神经网络的研究与发展 | 第15-17页 | | 1.5.1 小波分析的研究与发展 | 第15-16页 | | 1.5.2 人工神经网络的研究与发展 | 第16-17页 | | 1.6 论文结构 | 第17-19页 | | 第2章 基础知识 | 第19-31页 | | 2.1 时间序列分析模型 | 第19-20页 | | 2.1.1 ARMA模型 | 第19页 | | 2.1.2 ARIMA模型 | 第19-20页 | | 2.2 时间序列模型的参数估计优化方法 | 第20-24页 | | 2.2.1 牛顿法 | 第20-21页 | | 2.2.2 最速下降法 | 第21-22页 | | 2.2.3 共轭梯度法 | 第22-23页 | | 2.2.4 谱共轭梯度法 | 第23-24页 | | 2.3 小波分析理论 | 第24-27页 | | 2.3.1 小波定义 | 第24-25页 | | 2.3.2 连续小波变换 | 第25页 | | 2.3.3 离散小波变换 | 第25-26页 | | 2.3.4 几种常用小波 | 第26-27页 | | 2.4 神经网络及其相关理论 | 第27-30页 | | 2.4.1 人工神经元模型 | 第27-28页 | | 2.4.2 神经网络常用的激励函数 | 第28-29页 | | 2.4.3 神经网络的学习 | 第29页 | | 2.4.4 神经网络的特点 | 第29-30页 | | 2.4.5 神经网络的分类 | 第30页 | | 2.5 本章小结 | 第30-31页 | | 第3章 求和自回归移动平均模型参数优化估计法 | 第31-40页 | | 3.1 ARMA模型参数估计优化的MSH法 | 第32-35页 | | 3.1.1 目标函数 | 第32-33页 | | 3.1.2 初值的确定 | 第33-34页 | | 3.1.3 MSH算法 | 第34-35页 | | 3.2 充分下降性 | 第35-36页 | | 3.3 全局收敛性 | 第36-38页 | | 3.4 算法数值实验 | 第38页 | | 3.5 ARIMA(p,d,q)模型参数估计实例应用 | 第38-39页 | | 3.6 本章小结 | 第39-40页 | | 第4章 基于谱共轭梯度法的ARMA模型参数优化估计法 | 第40-47页 | | 4.1 谱共轭梯度法SMDY-DY法 | 第40-41页 | | 4.2 ARMA模型参数估计优化的SMDY-DY法 | 第41页 | | 4.3 充分下降性 | 第41-43页 | | 4.4 全局收敛性 | 第43-44页 | | 4.5 算法数值实验 | 第44-45页 | | 4.6 ARMA(p,q)模型参数估计实例应用 | 第45页 | | 4.7 本章小结 | 第45-47页 | | 第5章 基于新阈值函数的小波去噪算法及其仿真 | 第47-54页 | | 5.1 小波阈值去噪基本原理 | 第47-48页 | | 5.2 阈值函数的选取 | 第48-50页 | | 5.2.1 传统的阈值函数 | 第48页 | | 5.2.2 改进的阈值函数 | 第48-49页 | | 5.2.3 阈值的估计 | 第49-50页 | | 5.3 仿真实验结果及分析 | 第50-52页 | | 5.4 本章小结 | 第52-54页 | | 第6章 基于小波和神经网络的股票预测方法 | 第54-60页 | | 6.1 小波去噪 | 第54-55页 | | 6.2 Elman神经网络 | 第55-56页 | | 6.3 实例应用与预测结果分析 | 第56-59页 | | 6.3.1 股票序列的去噪处理 | 第56-57页 | | 6.3.2 神经网络预测 | 第57-59页 | | 6.4 本章小结 | 第59-60页 | | 结论 | 第60-62页 | | 参考文献 | 第62-67页 | | 攻读硕士学位期间承担的科研任务与主要成果 | 第67-68页 | | 致谢 | 第68页 |
|
|
|
