支持向量回归机在组合预测中的应用研究
| 摘要 | 第1-7页 |
| Abstract | 第7-9页 |
| 目录 | 第9-12页 |
| 第1章 绪论 | 第12-24页 |
| ·研究背景与意义 | 第12-15页 |
| ·研究背景 | 第12-14页 |
| ·研究意义 | 第14-15页 |
| ·研究现状 | 第15-20页 |
| ·组合预测研究现状 | 第15-18页 |
| ·支持向量机研究现状 | 第18-20页 |
| ·研究内容及创新点 | 第20-22页 |
| ·研究内容 | 第21-22页 |
| ·主要创新点 | 第22页 |
| ·论文组织结构 | 第22-24页 |
| 第2章 组合预测的基本原理及方法研究 | 第24-43页 |
| ·组合预测相关理论研究 | 第24-28页 |
| ·组合预测的起源 | 第24-25页 |
| ·组合预测的分类 | 第25-27页 |
| ·组合预测的优势 | 第27-28页 |
| ·常用单项预测模型及组合预测模型 | 第28-40页 |
| ·单项预测模型 | 第31-35页 |
| ·线性组合预测模型 | 第35-37页 |
| ·非线性组合预测模型 | 第37-40页 |
| ·预测效果评价 | 第40-42页 |
| ·本章小结 | 第42-43页 |
| 第3章 支持向量机的理论基础 | 第43-64页 |
| ·统计学习理论 | 第44-49页 |
| ·产生背景 | 第44-45页 |
| ·VC维 | 第45-46页 |
| ·推广性的界 | 第46-47页 |
| ·结构风险最小化 | 第47-49页 |
| ·支持向量机的基本原理 | 第49-63页 |
| ·线性可分支持向量机 | 第49-53页 |
| ·近似线性可分支持向量机 | 第53-56页 |
| ·非线性可分支持向量机 | 第56-58页 |
| ·几种常用核函数及其性能分析 | 第58-61页 |
| ·支持向量机的优势 | 第61-63页 |
| ·本章小结 | 第63-64页 |
| 第4章 组合预测中单项预测模型的评价与遴选 | 第64-79页 |
| ·预测误差分类 | 第64-65页 |
| ·预测过程评价 | 第65-66页 |
| ·单项预测模型评价指标体系的构建 | 第66-69页 |
| ·组合预测中单项预测模型遴选算法 | 第69-78页 |
| ·传统的TOPSIS算法 | 第70-71页 |
| ·改进的TOPSIS算法 | 第71-78页 |
| ·本章小结 | 第78-79页 |
| 第5章 ε-支持向量回归机组合预测研究 | 第79-95页 |
| ·ε-支持向量回归机的理论基础 | 第79-84页 |
| ·e-支持向量回归机组合预测模型及框架 | 第84-89页 |
| ·模型参数的影响 | 第89-91页 |
| ·模型参数的选择 | 第91-93页 |
| ·ε-支持向量回归机组合预测模型特点 | 第93-94页 |
| ·本章小结 | 第94-95页 |
| 第6章 ε-支持向量回归机在组合预测中的应用 | 第95-121页 |
| ·单项预测模型遴选在组合预测中的应用过程 | 第95-105页 |
| ·实例数据 | 第96-97页 |
| ·实验过程 | 第97-100页 |
| ·实验结果的检验与比较 | 第100-104页 |
| ·实验结果分析 | 第104-105页 |
| ·ε-支持向量回归机在组合预测中的应用过程 | 第105-120页 |
| ·实验工具简介 | 第105-106页 |
| ·实例数据 | 第106-107页 |
| ·实验过程 | 第107-114页 |
| ·实验结果比较 | 第114-119页 |
| ·实验结果分析 | 第119-120页 |
| ·本章小结 | 第120-121页 |
| 总结与展望 | 第121-124页 |
| 参考文献 | 第124-134页 |
| 附录Ⅰ 6.1节的实验数据 | 第134-137页 |
| 附录Ⅱ 6.2节中LIBSVM归一化后数据 | 第137-138页 |
| 附录Ⅲ 6.2节中BP神经网络归一化数据 | 第138-139页 |
| 攻读学位期间发表的学术论文 | 第139-140页 |
| 致谢 | 第140-141页 |
