时间序列非线性分析及其应用
| 摘要 | 第1-6页 |
| Abstract | 第6-11页 |
| 第一章 文献综述 | 第11-20页 |
| 1 选题背景、目的和意义 | 第11页 |
| 2 时间序列模型分析发展历史与现状 | 第11-20页 |
| ·线性时间序列预测模型 | 第11-13页 |
| ·白噪声过程 | 第11页 |
| ·AR模型 | 第11-12页 |
| ·MA模型 | 第12页 |
| ·ARMA模型 | 第12页 |
| ·APJMA模型 | 第12-13页 |
| ·非线性时间序列预测模型 | 第13-14页 |
| ·门限自回归模型 | 第13页 |
| ·ARCH模型 | 第13页 |
| ·GARCH模型 | 第13页 |
| ·自适应函数系数自回归模型 | 第13-14页 |
| ·可加模型 | 第14页 |
| ·基于人工神经网络的时间序列预测模型 | 第14-16页 |
| ·人工神经网络 | 第14-15页 |
| ·基于神经网络的时间序列模型构建 | 第15-16页 |
| ·基于支持向量机的时间序列预测模型 | 第16-20页 |
| ·支持向量机的发展进程 | 第16页 |
| ·支持向量机主要理论 | 第16-19页 |
| ·支持向量机回归 | 第19-20页 |
| 第二章 基于支持向量回归与地统计学的时间序列分析 | 第20-29页 |
| 1 前言 | 第20-21页 |
| 2 GS-SVR建模过程 | 第21-23页 |
| ·数据平稳化 | 第21页 |
| ·GS原理 | 第21-22页 |
| ·模型定阶 | 第22页 |
| ·SVR核函数选取与非线性变量筛选 | 第22页 |
| ·保留变量主成分分析 | 第22页 |
| ·预测及评价指标 | 第22-23页 |
| ·参比模型 | 第23页 |
| 3 实例分析 | 第23-26页 |
| 4 小结 | 第26-29页 |
| 第三章 月太阳黑子数预测 | 第29-34页 |
| 1 太阳黑子及其个数计算 | 第29页 |
| 2 太阳黑子预测难点 | 第29页 |
| 3 数据来源 | 第29-30页 |
| 4 基于SVM的太阳黑子预测模型构建 | 第30-33页 |
| ·地统计学确定最大拓次数 | 第30-31页 |
| ·均匀设计产生拓阶次数与训练样本数组合 | 第31页 |
| ·SVR最优模型选择 | 第31-32页 |
| ·参比模型 | 第32页 |
| ·预测结果 | 第32-33页 |
| 5 小结 | 第33-34页 |
| 第四章 总结与展望 | 第34-36页 |
| 1 支持向量机的优点 | 第34页 |
| 2 基于SVM与地统计学的多维时间序列分析 | 第34页 |
| 3 太阳黑子预测 | 第34-35页 |
| 3 待研究问题 | 第35-36页 |
| ·延迟时间τ和嵌入维m的选择 | 第35页 |
| ·半变异函数图形状与核函数选择之间的关系 | 第35-36页 |
| 参考文献 | 第36-38页 |
| 致谢 | 第38-39页 |
| 作者简历 | 第39页 |
