| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 背景及研究的目的和意义 | 第10页 |
| 1.2 时间序列预测方法概述 | 第10-11页 |
| 1.3 最优化的发展 | 第11-12页 |
| 1.4 小波神经网络的概述 | 第12-15页 |
| 1.4.1 小波理论的概述 | 第12-13页 |
| 1.4.2 神经网络的概述 | 第13-15页 |
| 1.5 论文研究内容与结构 | 第15-16页 |
| 第2章 预备知识 | 第16-29页 |
| 2.1 时间序列分析的理论 | 第16-19页 |
| 2.1.1 平稳模型时间序列 | 第16页 |
| 2.1.2 ARMA平稳时间序列模型 | 第16-18页 |
| 2.1.3 非平稳时间序列 | 第18页 |
| 2.1.4 ARIMA非平稳时间序列模型 | 第18-19页 |
| 2.2 非线性最优化的理论与方法 | 第19-20页 |
| 2.2.1 非线性最优化问题 | 第19页 |
| 2.2.2 非线性共轭梯度法 | 第19-20页 |
| 2.3 小波的理论 | 第20-24页 |
| 2.3.1 连续小波变换 | 第21页 |
| 2.3.2 离散小波变换 | 第21-22页 |
| 2.3.3 多分辨分析 | 第22页 |
| 2.3.4 Mallat算法 | 第22-24页 |
| 2.4 神经网络的基本理论 | 第24-28页 |
| 2.4.1 人工神经元模型 | 第24-27页 |
| 2.4.2 神经网络学习算法 | 第27-28页 |
| 2.5 本章小结 | 第28-29页 |
| 第3章 ARIMA模型的参数优化算法 | 第29-39页 |
| 3.1 NPY-DY (υ ) 共轭梯度法的提出 | 第29-31页 |
| 3.2 基于NPY-DY (υ ) 的模型参数优化算法 | 第31-34页 |
| 3.2.1 目标函数的确定 | 第32页 |
| 3.2.2 参数初值的确定 | 第32-33页 |
| 3.2.3 参数估计的执行步骤 | 第33-34页 |
| 3.3 算法的下降性和全局收敛性的分析 | 第34-37页 |
| 3.3.1 下降性 | 第34-35页 |
| 3.3.2 全局收敛性 | 第35-37页 |
| 3.4 数值算例分析 | 第37页 |
| 3.5 算法在ARIMA模型参数估计中的实例分析 | 第37-38页 |
| 3.6 本章小结 | 第38-39页 |
| 第4章 小波阈值算法的研究 | 第39-46页 |
| 4.1 改进的阈值函数 | 第41页 |
| 4.2 阈值的调整 | 第41-42页 |
| 4.3 Matlab仿真实验及结果分析 | 第42-45页 |
| 4.4 本章小结 | 第45-46页 |
| 第5章 结合小波分析和神经网络的股票预测 | 第46-57页 |
| 5.1 小波神经网络的基本网络 | 第46-48页 |
| 5.2 Elman神经网络 | 第48-51页 |
| 5.3 小波神经网络组合预测 | 第51-55页 |
| 5.3.1 预测原理与方法 | 第51-53页 |
| 5.3.2 实例分析 | 第53-55页 |
| 5.4 本章小结 | 第55-57页 |
| 结论 | 第57-58页 |
| 参考文献 | 第58-62页 |
| 攻读硕士学位期间承担的科研任务与主要成果 | 第62-63页 |
| 致谢 | 第63页 |