| 摘要 | 第1-6页 |
| Abstract | 第6-8页 |
| 目录 | 第8-10页 |
| 第1章 绪论 | 第10-16页 |
| ·课题背景及研究的目的和意义 | 第10页 |
| ·时间序列预测方法现状 | 第10-12页 |
| ·时间序列分析方法 | 第11页 |
| ·人工神经网络预测方法 | 第11-12页 |
| ·时间序列模型的参数估计法 | 第12-13页 |
| ·模型矩估计 | 第12页 |
| ·模型极大似然估计 | 第12-13页 |
| ·最小二乘估计 | 第13页 |
| ·非线性共轭梯度法的研究原理 | 第13-14页 |
| ·小波理论概述 | 第14页 |
| ·论文结构 | 第14-16页 |
| 第2章 基础知识 | 第16-28页 |
| ·时间序列分析模型 | 第16-22页 |
| ·ARMA 平稳模型 | 第16-17页 |
| ·ARIMA 非平稳模型 | 第17-18页 |
| ·灰色 GM(1,1)模型 | 第18页 |
| ·人工神经网络模型 | 第18-22页 |
| ·非线性时间序列模型的参数估计法 | 第22-25页 |
| ·Newton 法 | 第22-23页 |
| ·最速下降法 | 第23页 |
| ·共轭梯度法 | 第23-25页 |
| ·小波理论研究 | 第25-27页 |
| ·小波分析概述 | 第25-26页 |
| ·极大重叠离散小波包变换 | 第26-27页 |
| ·本章小结 | 第27-28页 |
| 第3章 非线性共轭梯度法组合改进研究 | 第28-36页 |
| ·新的共轭梯度法——NLS-DY 法 | 第29-32页 |
| ·NLS-DY 算法执行过程 | 第32页 |
| ·NLS-DY 算法收敛性分析 | 第32-34页 |
| ·数值算例 | 第34-35页 |
| ·本章小结 | 第35-36页 |
| 第4章 ARIMA 模型参数优化 | 第36-44页 |
| ·PHL_DY 法 | 第36-37页 |
| ·基于 PHL_DY 的模型参数优化算法 | 第37-39页 |
| ·目标函数的确定 | 第37页 |
| ·初值 0的确定 | 第37-38页 |
| ·算法执行过程 | 第38-39页 |
| ·算法收敛性分析 | 第39-41页 |
| ·PHL_DY-ARIMA 模型的实例分析 | 第41-43页 |
| ·无约束规划问题 | 第41-42页 |
| ·优化时间序列预测模型 | 第42-43页 |
| ·本章小结 | 第43-44页 |
| 第5章 灰色神经网络组合预测模型研究 | 第44-52页 |
| ·引言 | 第44页 |
| ·GM(1,1)模型预测 | 第44-45页 |
| ·GM(1,1)模型改进 | 第45-47页 |
| ·BP-GM(1,1)等维新息模型 | 第47-49页 |
| ·BP 神经网络介绍 | 第47页 |
| ·BP 网络的训练过程 | 第47-49页 |
| ·模型结构介绍及建模过程 | 第49页 |
| ·BP-GM(1,1)等维新息模型的实例分析 | 第49-51页 |
| ·本章小结 | 第51-52页 |
| 第6章 结合小波理论的组合模型预测方法研究及应用 | 第52-60页 |
| ·改进小波阈值消噪方法研究 | 第52-56页 |
| ·改进阈值公式的提出 | 第53-55页 |
| ·阈值估计判断标准 | 第55-56页 |
| ·混合预测新方法(一)——WD-Conjugated-ARIMA 模型 | 第56-57页 |
| ·混合预测新方法(二)——WD-GM(1,1)-BP 模型 | 第57页 |
| ·实例及结果分析 | 第57-59页 |
| ·本章小结 | 第59-60页 |
| 结论 | 第60-62页 |
| 参考文献 | 第62-66页 |
| 攻读硕士学位期间承担的科研任务与主要成果 | 第66-67页 |
| 致谢 | 第67-68页 |
| 作者简介 | 第68页 |