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 |