基于优化理论与小波分析的时间序列预测方法及应用
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第10-15页 |
| 1.1 课题背景及研究的目的和意义 | 第10-11页 |
| 1.2 时间序列分析方法现状 | 第11-12页 |
| 1.3 最优化问题基本步骤及共轭梯度法的发展历史 | 第12页 |
| 1.4 小波分析和神经网络的概述 | 第12-14页 |
| 1.4.1 小波分析的发展 | 第12-13页 |
| 1.4.2 神经网络的发展 | 第13-14页 |
| 1.5 论文结构 | 第14-15页 |
| 第2章 基础知识 | 第15-28页 |
| 2.1 时间序列分析理论 | 第15-18页 |
| 2.1.1 平稳时间序列的定义 | 第15页 |
| 2.1.2 平稳时间序列的模型 | 第15-17页 |
| 2.1.3 非平稳时间序列的介绍 | 第17页 |
| 2.1.4 非平稳时间序列的模型 | 第17-18页 |
| 2.2 最优化理论和方法 | 第18-21页 |
| 2.3 小波分析的基本理论 | 第21-24页 |
| 2.3.1 小波分析定义 | 第21-22页 |
| 2.3.2 连续小波变换 | 第22页 |
| 2.3.3 离散小波变换 | 第22-23页 |
| 2.3.4 常用的几种小波函数 | 第23-24页 |
| 2.4 神经网络及其理论 | 第24-27页 |
| 2.4.1 人工神经元模型 | 第25页 |
| 2.4.2 常用的神经网络激励函数 | 第25-26页 |
| 2.4.3 神经网络的特点及优点 | 第26-27页 |
| 2.5 本章小结 | 第27-28页 |
| 第3章 ARIMA模型的共轭梯度参数估计法和应用 | 第28-37页 |
| 3.1 引言 | 第28页 |
| 3.2 含参数的共轭梯度法 | 第28-29页 |
| 3.3 基于MHS-JDY的模型参数优化算法 | 第29-32页 |
| 3.3.1 目标函数的确定 | 第29-30页 |
| 3.3.2 参数初值的确定 | 第30-31页 |
| 3.3.3 算法执行步骤 | 第31-32页 |
| 3.4 算法的下降性与全局收敛性 | 第32-35页 |
| 3.4.1 算法下降性 | 第32-33页 |
| 3.4.2 收敛性分析 | 第33-35页 |
| 3.5 数值实验与实例分析 | 第35-36页 |
| 3.5.1 数值实验 | 第35-36页 |
| 3.5.2 实例分析 | 第36页 |
| 3.6 本章小结 | 第36-37页 |
| 第4章 改进小波阈值函数的去噪算法及仿真 | 第37-45页 |
| 4.1 引言 | 第37页 |
| 4.2 小波阈值去噪基本原理 | 第37-38页 |
| 4.3 阈值函数的选取 | 第38-41页 |
| 4.3.1 传统的阈值函数 | 第38-39页 |
| 4.3.2 改进的阈值函数 | 第39-40页 |
| 4.3.3 阈值的量化处理 | 第40-41页 |
| 4.4 Matlab仿真实验与分析 | 第41-44页 |
| 4.5 本章小结 | 第44-45页 |
| 第5章 基于小波和神经网络的股票预测方法 | 第45-51页 |
| 5.1 引言 | 第45页 |
| 5.2 小波阈值去噪 | 第45-46页 |
| 5.3 Elman神经网络 | 第46-47页 |
| 5.4 实例应用与分析 | 第47-50页 |
| 5.4.1 股票序列的去噪处理 | 第47-48页 |
| 5.4.2 神经网络预测 | 第48-50页 |
| 5.5 本章小结 | 第50-51页 |
| 结论 | 第51-52页 |
| 参考文献 | 第52-56页 |
| 攻读硕士学位期间承担的科研任务与主要成果 | 第56-57页 |
| 致谢 | 第57页 |
