| 摘要 | 第1-4页 |
| Abstract | 第4-8页 |
| 第一章 绪论 | 第8-16页 |
| ·研究背景 | 第8-9页 |
| ·国内外研究现状 | 第9-12页 |
| ·国内外时间序列聚类算法研究现状 | 第9-10页 |
| ·国内外匹配算法研究现状 | 第10-11页 |
| ·国内外神经网络预测研究现状 | 第11-12页 |
| ·论文主要研究内容与章节安排 | 第12-16页 |
| ·研究内容 | 第12-13页 |
| ·章节安排 | 第13-16页 |
| 第二章 时间序列预测技术与相关技术研究 | 第16-26页 |
| ·聚类算法相关技术 | 第16-19页 |
| ·聚类算法分类 | 第16-18页 |
| ·相似性度量 | 第18-19页 |
| ·模式匹配算法相关技术 | 第19-21页 |
| ·模式匹配分类 | 第19-20页 |
| ·子序列模式匹配 | 第20-21页 |
| ·递归神经网络算法相关技术 | 第21-25页 |
| ·BPTT 递归神经网络 | 第21-23页 |
| ·Elman 递归神经网络 | 第23-25页 |
| ·本章小结 | 第25-26页 |
| 第三章 基于密度分布的自适应聚类算法 SAK | 第26-44页 |
| ·聚类算法与 K-dist 图 | 第26-29页 |
| ·传统 K-means 聚类算法 | 第26-28页 |
| ·密度分布 K-dist 图 | 第28-29页 |
| ·基于密度分布的自适应聚类算法 SAK | 第29-35页 |
| ·基于 K-dist 图的自适应 K 值算法 | 第29-31页 |
| ·基于距离密度分布的初始聚类中心选择算法 | 第31-32页 |
| ·样本快速重新分类算法 | 第32-34页 |
| ·基于密度分布的自适应聚类算法 SAK | 第34-35页 |
| ·仿真实验及结果分析 | 第35-43页 |
| ·聚类仿真模拟系统 | 第35-37页 |
| ·隧道数据集实验 | 第37-43页 |
| ·本章小结 | 第43-44页 |
| 第四章 基于快速修剪算法的模式匹配 | 第44-56页 |
| ·动态模式匹配相关技术 | 第44-47页 |
| ·动态超标模式匹配的特点 | 第44-46页 |
| ·动态超标模式匹配的关键技术 | 第46页 |
| ·匹配算法的研究目标和研究内容 | 第46-47页 |
| ·基于小波的超标模式处理技术 | 第47-50页 |
| ·IH(Improved Haar) | 第47-49页 |
| ·超标模式处理 | 第49-50页 |
| ·超标模式匹配技术 | 第50-55页 |
| ·超标模式匹配流程 | 第51-52页 |
| ·超标模式匹配算法 | 第52-53页 |
| ·仿真实验及结果分析 | 第53-55页 |
| ·本章小结 | 第55-56页 |
| 第五章 基于回声状态网络的改进预测算法 | 第56-72页 |
| ·回声状态网络 | 第56-59页 |
| ·回声状态网络 | 第56-57页 |
| ·ESN 学习过程 | 第57-58页 |
| ·动态储蓄池(DR)的参数约束 | 第58-59页 |
| ·回声状态网络的改进算法 | 第59-64页 |
| ·拓扑结构 | 第59-60页 |
| ·仿真实验与结果分析 | 第60-64页 |
| ·基于组合算法的回声状态网络时序预测 | 第64-71页 |
| ·传统的集成预测方法 | 第64-65页 |
| ·组合算法模型 | 第65-68页 |
| ·AEME(Association Ensemble Model ESN,AEME)算法 | 第68-69页 |
| ·仿真实验及结果分析 | 第69-71页 |
| ·本章小结 | 第71-72页 |
| 第六章 总结与展望 | 第72-74页 |
| 致谢 | 第74-76页 |
| 参考文献 | 第76-82页 |
| 在读期间的研究成果 | 第82-83页 |