首页--工业技术论文--自动化技术、计算机技术论文--自动化基础理论论文--人工智能理论论文--人工神经网络与计算论文

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

论文共60页,点击 下载论文
上一篇:破碎栖息地上脉冲控制的捕食食饵系统
下一篇:Schr(o|¨)dinger方程的数值方法