| 致谢 | 第1-5页 |
| 摘要 | 第5-7页 |
| Abstract | 第7-19页 |
| 1 绪论 | 第19-29页 |
| ·研究背景 | 第19-20页 |
| ·研究的目的和意义 | 第20-21页 |
| ·国内外的研究现状 | 第21-26页 |
| ·混沌理论研究进展 | 第21-22页 |
| ·混沌时间序列预测方法 | 第22-24页 |
| ·铁路货物运量相关时间序列研究动态 | 第24-26页 |
| ·本论文主要研究工作 | 第26-28页 |
| ·本论文的研究方法 | 第26页 |
| ·本文结构 | 第26-28页 |
| ·本章小结 | 第28-29页 |
| 2 铁路货运量指标数据统计分析 | 第29-48页 |
| ·铁路货运量宏观形势 | 第29-30页 |
| ·铁路货运统计调查 | 第30-33页 |
| ·铁路货物运输统计调查方式 | 第30-31页 |
| ·货物运输统计的调查对象和调查单位 | 第31-32页 |
| ·货物运输统计的原则 | 第32-33页 |
| ·铁路货运指标 | 第33-35页 |
| ·货物重量指标 | 第33-34页 |
| ·货物周转量 | 第34-35页 |
| ·货物平均运程 | 第35页 |
| ·铁路货运时间序列平稳性分析 | 第35-40页 |
| ·平稳性 | 第36页 |
| ·单位根检验法 | 第36-38页 |
| ·铁路货运时间序列数据的平稳性检验 | 第38-40页 |
| ·铁路货运时间序列分形分析 | 第40-47页 |
| ·铁路货运量时间序列的 R/S 分析 | 第40-44页 |
| ·铁路货运量变维分形分析 | 第44-47页 |
| ·小结 | 第47-48页 |
| 3 混沌时间序列的相空间重构研究 | 第48-73页 |
| ·混沌理论的基础 | 第48-54页 |
| ·混沌概述 | 第48-50页 |
| ·混沌现象的 3 个基本特征 | 第50页 |
| ·混沌运动的分类 | 第50-51页 |
| ·典型混沌系统 | 第51-54页 |
| ·Takens 定理与相空间重构技术 | 第54-55页 |
| ·时延的确定 | 第55-59页 |
| ·自相关法 | 第55-56页 |
| ·复自相关法 | 第56-58页 |
| ·互信息法 | 第58-59页 |
| ·嵌入维的确定 | 第59-62页 |
| ·假最近邻法 | 第59-61页 |
| ·Cao 方法 | 第61-62页 |
| ·同时确定时延和嵌入维 | 第62-65页 |
| ·嵌入窗法 | 第62-63页 |
| ·C-C 方法 | 第63-65页 |
| ·铁路货物运量相空间重构 | 第65-71页 |
| ·时延估计 | 第65-69页 |
| ·嵌入维估计 | 第69-71页 |
| ·本章小结 | 第71-73页 |
| 4 时间序列混沌特性的识别研究 | 第73-95页 |
| ·功率谱 | 第73-74页 |
| ·庞加莱截面 | 第74-75页 |
| ·主分量分析 | 第75-77页 |
| ·关联维数估计 | 第77-80页 |
| ·G-P 算法 | 第77-78页 |
| ·铁路货运时间序列关联维数估计 | 第78-80页 |
| ·Lyapunov 指数估计 | 第80-87页 |
| ·Lyapunov 指数 | 第80-83页 |
| ·Wolf 方法 | 第83-84页 |
| ·小数据量法 | 第84-86页 |
| ·铁路货运时间序列最大 Lyapunov 指数 | 第86-87页 |
| ·Kolmogorov 熵估计 | 第87-94页 |
| ·关联积分法 | 第87-89页 |
| ·最大似然算法 | 第89-93页 |
| ·铁路货运时间序列 Kolmogorov 熵估计 | 第93-94页 |
| ·本章小结 | 第94-95页 |
| 5 基于混沌神经网络理论的铁路货运量预测的研究 | 第95-119页 |
| ·神经网络简介 | 第95-96页 |
| ·BP 神经网络 | 第96-101页 |
| ·BP 网络结构 | 第96-97页 |
| ·BP 网络学习算法 | 第97-99页 |
| ·BP 网络训练方法及局限性 | 第99-101页 |
| ·RBF 神经网络 | 第101-104页 |
| ·RBF 神经网络结构 | 第101-102页 |
| ·RBF 神经网络算法 | 第102-104页 |
| ·铁路货物运量时间序列 RBF 混沌神经网络预测步骤 | 第104-106页 |
| ·铁路货物运量时间序列 RBF 混沌神经网络模型及评价指标 | 第104-105页 |
| ·铁路货物运量时间序列 RBF 混沌神经网络预测步骤 | 第105-106页 |
| ·RBF 神经网络预测算例 | 第106-108页 |
| ·铁路货物运量 RBF 神经网络预测 | 第108-117页 |
| ·RBF 神经网络预测时间尺度及网络结构 | 第108-109页 |
| ·货物运量增长量 RBF 神经网络预测及误差检验分析 | 第109-113页 |
| ·货物运量增长率 RBF 神经网络预测及误差检验分析 | 第113-116页 |
| ·货物运量增长量和增长率误差综合比较及预测结果 | 第116-117页 |
| ·本章小结 | 第117-119页 |
| 6 铁路货物运量混沌时间序列的 Volterra 自适应预测研究 | 第119-149页 |
| ·Volterra 自适应预测概述 | 第119页 |
| ·Volterra 泛函级数 | 第119-121页 |
| ·Volterra 级数和核函数 | 第119-120页 |
| ·离散系统的 Volterra 级数展开 | 第120-121页 |
| ·铁路货物运量混沌时间序列 Volterra 自适应模型 | 第121-125页 |
| ·混沌时间序列 Volterra 自适应滤波器 | 第121-123页 |
| ·铁路货物运量混沌时间序列 Volterra 滤波器定阶 | 第123-124页 |
| ·铁路货物运量混沌时间序列 Volterra 滤波器的输入 | 第124-125页 |
| ·Volterra 滤波器自适应算法 | 第125-130页 |
| ·最小均方自适应算法 | 第125-128页 |
| ·LMS 算法的性能 | 第128-129页 |
| ·归一化 LMS 自适应性算法 | 第129-130页 |
| ·铁路货物运量时间序列 Volterra 自适应模型算法步骤 | 第130-131页 |
| ·Volterra 自适应预测算例 | 第131-141页 |
| ·Lorenz 自适应预测及误差检验分析 | 第131-140页 |
| ·Lorenz 自适应预测误差综合比较分析 | 第140-141页 |
| ·铁路货物运量 Volterra 自适应预测 | 第141-148页 |
| ·货物运量增长量 Volterra 预测及误差分析 | 第141-143页 |
| ·货物运量增长率 Volterra 预测及误差分析 | 第143-146页 |
| ·货物运量增长量和增长率误差综合比较及预测结果 | 第146-147页 |
| ·Volterra 预测误差与 RBF 神经网络预测误差综合分析 | 第147-148页 |
| ·本章小结 | 第148-149页 |
| 7 结论与展望 | 第149-152页 |
| ·本文工作总结 | 第149-150页 |
| ·进一步工作展望 | 第150-152页 |
| 参考文献 | 第152-160页 |
| 作者简历及科研成果清单表格样式 | 第160-162页 |
| 学位论文数据集页 | 第162-163页 |
| 详细摘要 | 第163-174页 |
