| 摘要 | 第1-4页 |
| Abstract | 第4-7页 |
| 第1章 绪论 | 第7-16页 |
| 1．1 课题应用的背景及实际意义 | 第7-8页 |
| 1．1．1 课题应用的背景 | 第7页 |
| 1．1．2 课题应用的实际意义 | 第7-8页 |
| 1．2 神经网络技术及其股票预测的发展现状 | 第8-14页 |
| 1．2．1 神经网络技术的发展与现状 | 第8-12页 |
| 1．2．2 股票预测的现状 | 第12-14页 |
| 1．3 本文主要研究内容 | 第14页 |
| 1．4 本文结构安排 | 第14-16页 |
| 第2章 股票预测的背景知识 | 第16-20页 |
| 2．1 股票市场预测的相关变量 | 第16-17页 |
| 2．2 股市预测的常用方法及存在问题 | 第17-19页 |
| 2．2．1 股市预测的常用方法 | 第17-18页 |
| 2．2．2 股票价格预测存在的问题 | 第18-19页 |
| 2．3 本章小结 | 第19-20页 |
| 第3章 神经网络及BP算法 | 第20-27页 |
| 3．1 神经网络结构概述 | 第20页 |
| 3．2 神经网络的特性 | 第20-21页 |
| 3．3 多层前馈神经网络（MFNN）模型 | 第21-26页 |
| 3．3．1 多层前馈神经网络（BP网络）的结构 | 第21-22页 |
| 3．3．2 多层前馈神经网络的数学描述 | 第22-25页 |
| 3．3．3 改进的BP算法 | 第25-26页 |
| 3．4 本章小结 | 第26-27页 |
| 第4章 扰动对BP网络训练的影响 | 第27-38页 |
| 4．1 BP网络的函数逼近功能 | 第27-28页 |
| 4．2 仿真分析扰动对BP算法的影响 | 第28-31页 |
| 4．3 基本BP算法在函数逼近中存在的不足 | 第31-33页 |
| 4．4 扰动对BP算法影响的机理分析 | 第33-37页 |
| 4．5 本章小结 | 第37-38页 |
| 第5章 鲁棒自适应BP算法 | 第38-53页 |
| 5．1 鲁棒自适应BP算法 | 第38-52页 |
| 5．1．1 鲁棒自适应BP算法的提出 | 第38页 |
| 5．1．2 鲁棒自适应BP算法 | 第38-47页 |
| 5．1．3 鲁棒自适应BP算法的实现 | 第47-52页 |
| 5．2 本章小结 | 第52-53页 |
| 第6章 基于鲁棒自适应BP算法的系统仿真 | 第53-81页 |
| 6．1 动态BP网络 | 第53-55页 |
| 6．1．1 输入延时的动态BP网络 | 第53-54页 |
| 6．1．2 具有输入输出时延反馈动态BP网络 | 第54-55页 |
| 6．2 鲁棒自适应BP算法的仿真分析 | 第55-80页 |
| 6．2．1 静态对象的仿真分析 | 第55-66页 |
| 6．2．2 动态对象的仿真分析 | 第66-80页 |
| 6．3 本章小结 | 第80-81页 |
| 第7章 基于鲁棒自适应BP算法的股票价格预测 | 第81-102页 |
| 7．1 股票数据的选择 | 第81页 |
| 7．2 用神经网络进行股票价格的预测 | 第81-86页 |
| 7．2．1 神经网络用于预测的一般步骤 | 第82-83页 |
| 7．2．2 神经网络预测方法 | 第83-85页 |
| 7．2．3 股市神经网络预测所遇到的问题 | 第85-86页 |
| 7．3 用鲁棒自适应BP算法对股票价格进行预测 | 第86-101页 |
| 7．3．1 股票数据的归一化处理 | 第86-88页 |
| 7．3．2 用鲁棒自适应BP算法对股票价格进行预测的实验分析 | 第88-100页 |
| 7．3．3 鲁棒自适应BP算法在股票价格预测应用中的效果与不足 | 第100-101页 |
| 7．4 本章小结 | 第101-102页 |
| 结论 | 第102-104页 |
| 参考文献 | 第104-108页 |
| 攻读硕士学位期间所发表的学术论文 | 第108-109页 |
| 致谢 | 第109页 |