论文目录 | |
摘要 | 第1-9
页 |
Abstract | 第9-10
页 |
插图索引 | 第10-11
页 |
附表索引 | 第11-12
页 |
第1章 绪论 | 第12-18
页 |
· 本课题的研究意义 | 第12-13
页 |
· 本课题的研究背景 | 第13-14
页 |
· 预测模型研究现状 | 第14-16
页 |
· 本课题的主要研究内容和章节安排 | 第16-18
页 |
第2章 时间序列建模和预测的原理及方法 | 第18-30
页 |
· 时间序列预测简介 | 第18-20
页 |
· 时间序列概念 | 第18-19
页 |
· 时间序列预测模型 | 第19-20
页 |
· 时间序列预测方法 | 第20
页 |
· 时间序列的统计学预测模型 | 第20-23
页 |
· 自回归模型AR(p) | 第21-22
页 |
· 移动平均模型MA(q) | 第22
页 |
· 自回归移动平均模型ARMA(p,q) | 第22-23
页 |
· 时间序列的神经网络预测模型 | 第23-29
页 |
· 神经网络模型 | 第24-25
页 |
· BP神经网络的模型与结构 | 第25-26
页 |
· BP神经网络的学习算法 | 第26-29
页 |
· BP神经网络建模的缺陷 | 第29
页 |
· 本章小结 | 第29-30
页 |
第3章 基于支持向量机的预测模型研究 | 第30-48
页 |
· 机器学习的基本问题 | 第30-32
页 |
· 问题的表示 | 第30-31
页 |
· 经验风险最小化 | 第31
页 |
· 复杂性和推广性能 | 第31-32
页 |
· 统计学习理论 | 第32-35
页 |
· VC维 | 第33-34
页 |
· 推广性的界 | 第34
页 |
· 结构化风险最小化原理 | 第34-35
页 |
· 支持向量机 | 第35-42
页 |
· 支持向量机的发展及应用 | 第35-36
页 |
· 支持向量机的基本原理 | 第36-39
页 |
· 支持向量机的核函数 | 第39-42
页 |
· 支持向量机回归原理 | 第42-45
页 |
· 支持向量机回归 | 第42-44
页 |
· 支持向量机回归的实现 | 第44-45
页 |
· 基于支持向量机的预测模型 | 第45-47
页 |
· 基于支持向量机的煤气炉燃烧过程CO_2含量预测模型 | 第45-46
页 |
· 基于支持向量机的短期风速的预测模型 | 第46
页 |
· 基于支持向量机的上证指数预测模型 | 第46-47
页 |
· 本章小结 | 第47-48
页 |
第4章 基于改进的支持向量机的预测模型研究 | 第48-69
页 |
· 支持向量机的改进 | 第48-49
页 |
· 最小二乘支持向量机 | 第49-58
页 |
· 最小二乘支持向量机基本原理 | 第49-51
页 |
· 基于LSSVM的非平稳时间序列预测方法 | 第51-53
页 |
· 基于LSSVM的预测模型 | 第53-58
页 |
· 最小二乘支持向量机稀疏性的改进 | 第58-59
页 |
· 剪枝算法 | 第58
页 |
· 样本字典算法 | 第58-59
页 |
· 最小二乘支持向量机的增量式和在线式算法 | 第59-65
页 |
· 增量式学习算法 | 第59-62
页 |
· 在线式学习算法 | 第62-65
页 |
· 增量式模糊最小二乘支持向量机 | 第65-68
页 |
· 增量式模糊最小二乘支持向量机原理 | 第65-66
页 |
· 基于增量式模糊最小二乘支持向量机的预测模型 | 第66
页 |
· 基于增量式模糊最小二乘支持向量机的电压预测模型 | 第66
页 |
· 基于增量式模糊最小二乘支持向量机的短期风速预测模型 | 第66-68
页 |
· 本章小结 | 第68-69
页 |
第5章 Cu-Zr-Al非晶合金晶化过程电特性预测模型研究 | 第69-78
页 |
· 预测方法概论 | 第69
页 |
· 基于小波变换和BP-ILSSVM的时间序列预测方法 | 第69-72
页 |
· 方案构思 | 第69-70
页 |
· 小波变换原理 | 第70-71
页 |
· 基于小波变换和BP-ILSSVM的预测模型简介 | 第71-72
页 |
· 基于小波变换和BP-ILSSVM的上证指数预测模型 | 第72-75
页 |
· 基于小波变换和BP-ILSSVM的晶化过程电特性预测模型 | 第75-77
页 |
· 本章小结 | 第77-78
页 |
结论与展望 | 第78-79
页 |
参考文献 | 第79-84
页 |
致谢 | 第84-85
页 |
附录 攻读学位期间所发表的学术论文目录 | 第85页 |