基于核参数优化的SVM方法及其在股市中的应用研究
| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 1 绪论 | 第8-14页 |
| 1.1 研究背景与意义 | 第8-9页 |
| 1.1.1 研究背景 | 第8页 |
| 1.1.2 研究意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-10页 |
| 1.2.1 国外研究现状 | 第9-10页 |
| 1.2.2 国内研究现状 | 第10页 |
| 1.3 本文研究目的和内容安排 | 第10-12页 |
| 1.4 本章小结 | 第12-14页 |
| 2.支持向量机理论基础 | 第14-22页 |
| 2.1 支持向量机模型介绍 | 第14-15页 |
| 2.2 线性可分问题 | 第15-17页 |
| 2.3 非线性可分问题 | 第17-20页 |
| 2.4 本章小结 | 第20-22页 |
| 3 基于主成分分析对原始数据进行特征提取 | 第22-32页 |
| 3.1 特征降维 | 第22页 |
| 3.2 主成分分析原理 | 第22-25页 |
| 3.3 数据预处理 | 第25-31页 |
| 3.3.1 特征选择与数据分析 | 第25-29页 |
| 3.3.2 提取主成分 | 第29-31页 |
| 3.4 谬误回归 | 第31页 |
| 3.5 本章小结 | 第31-32页 |
| 4. 参数寻优算法 | 第32-60页 |
| 4.1 参数最优化的支持向量机 | 第32-35页 |
| 4.2 基于遗传算法的参数寻优 | 第35-43页 |
| 4.2.1 遗传编码 | 第36页 |
| 4.2.2 适应度函数 | 第36-37页 |
| 4.2.3 遗传操作 | 第37页 |
| 4.2.4 参数选择 | 第37-38页 |
| 4.2.5 基于遗传算法寻优的SVM | 第38-43页 |
| 4.3 粒子群算法 | 第43-48页 |
| 4.3.1 生态学基础 | 第43-44页 |
| 4.3.2 算法原理及流程 | 第44-45页 |
| 4.3.3 基于粒子群算法寻优的SVM | 第45-48页 |
| 4.4 人工鱼群算法 | 第48-58页 |
| 4.4.1 生态学基础 | 第48-49页 |
| 4.4.2 人工鱼结构 | 第49-51页 |
| 4.4.3 参数选择 | 第51-52页 |
| 4.4.4 算法流程 | 第52-53页 |
| 4.4.5 基于人工鱼群算法寻优的SVM | 第53-58页 |
| 4.5 本章小结 | 第58-60页 |
| 5 基于加速人工鱼群算法的SVM | 第60-67页 |
| 5.1 算法介绍 | 第60页 |
| 5.2 相关算法定义 | 第60-61页 |
| 5.3 算法流程 | 第61页 |
| 5.4 具体实验结果 | 第61-64页 |
| 5.5 总结分析 | 第64-65页 |
| 5.6 本章小结 | 第65-67页 |
| 6 结论与展望 | 第67-69页 |
| 6.1 本文主要研究成果 | 第67页 |
| 6.2 展望 | 第67-69页 |
| 致谢 | 第69-71页 |
| 参考文献 | 第71-74页 |
| 附录 | 第74-76页 |
| Ⅰ 本文所用数据 | 第74-76页 |
| Ⅱ 本人在攻读硕士学位期间发表的论文 | 第76页 |
| Ⅲ 攻读硕士学位期间所获奖励 | 第76页 |
