基于SVR和改进SOM的预测模型的研究
| 摘要 | 第1-6页 |
| Abstract | 第6-9页 |
| 第一章 绪论 | 第9-14页 |
| ·研究背景 | 第9页 |
| ·问题的提出及意义 | 第9-10页 |
| ·国内外研究现状 | 第10-12页 |
| ·国外研究现状 | 第10-11页 |
| ·国内研究现状 | 第11-12页 |
| ·本文的研究内容 | 第12-13页 |
| ·论文的主要结构 | 第13-14页 |
| 第二章 统计学习理论和支持向量机 | 第14-31页 |
| ·SVM 基础 | 第14-18页 |
| ·机器学习 | 第14-15页 |
| ·经验风险最小化 | 第15页 |
| ·复杂性与推广能力 | 第15页 |
| ·统计学习理论 | 第15-18页 |
| ·支持向量机 | 第18-23页 |
| ·最优分类面 | 第18-21页 |
| ·广义最优分类面 | 第21页 |
| ·支持向量机 | 第21-22页 |
| ·核函数 | 第22-23页 |
| ·算法选择 | 第23页 |
| ·支持向量机回归 | 第23-26页 |
| ·回归问题 | 第24页 |
| ·线性支持向量机回归 | 第24-25页 |
| ·非线性支持向量机回归 | 第25-26页 |
| ·支持向量机回归的特点 | 第26页 |
| ·基于支持向量机的预测模型 | 第26-30页 |
| ·CPI 预测实验结果 | 第27-28页 |
| ·上证指数预测实验结果 | 第28-29页 |
| ·实验结果分析 | 第29-30页 |
| ·本章小结 | 第30-31页 |
| 第三章 自组织特征映射神经网络聚类算法 | 第31-40页 |
| ·聚类方法简介 | 第31页 |
| ·SOM 神经网络概述 | 第31-32页 |
| ·SOM 神经网络结构 | 第32-33页 |
| ·SOM 神经网络学习算法 | 第33-35页 |
| ·竞争过程 | 第33页 |
| ·合作过程 | 第33-34页 |
| ·SOM 神经网络算法步骤 | 第34-35页 |
| ·SOM 算法改进 | 第35-39页 |
| ·传统 SOM 的局限性 | 第35-36页 |
| ·对 SOM 算法的一些改进 | 第36-37页 |
| ·对 SOM 固定网络与神经元数目的改进 | 第37-38页 |
| ·基于方差分析思想的动态 SOM 算法 | 第38-39页 |
| ·本章小结 | 第39-40页 |
| 第四章 基于 SVR 和改进 SOM 的预测模型 | 第40-52页 |
| ·模型原理和结构 | 第40页 |
| ·建模与实验 | 第40-51页 |
| ·输入数据的选择与处理 | 第41页 |
| ·样本聚类 | 第41-42页 |
| ·SVR 建模 | 第42-43页 |
| ·CPI 预测实验 | 第43-47页 |
| ·上证指数预测实验 | 第47-51页 |
| ·本章小结 | 第51-52页 |
| 结论及展望 | 第52-54页 |
| 1 研究结论 | 第52页 |
| 2 进一步工作 | 第52-54页 |
| 参考文献 | 第54-58页 |
| 攻读硕士学位期间取得的研究成果 | 第58-59页 |
| 致谢 | 第59-60页 |
| 附件 | 第60页 |
