| 摘要 | 第1-6页 |
| Abstract | 第6-10页 |
| 第1章 绪论 | 第10-17页 |
| ·引言 | 第10页 |
| ·时间序列预测方法的现状 | 第10-11页 |
| ·时间序列分析法 | 第10-11页 |
| ·人工神经网络预测方法 | 第11页 |
| ·ARMA 模型的参数估计法 | 第11-13页 |
| ·矩估计 | 第11-12页 |
| ·最小二乘估计 | 第12-13页 |
| ·极大似然估计 | 第13页 |
| ·灰色系统介绍 | 第13页 |
| ·神经网络发展历史及现状 | 第13-15页 |
| ·组合模型的预测现状 | 第15页 |
| ·论文结构 | 第15-17页 |
| 第2章 基础知识 | 第17-29页 |
| ·灰色 GM(1,1)模型及预测 | 第17-20页 |
| ·灰色 GM(1,1)预测模型 | 第17-18页 |
| ·GM(1,1)模型建模步骤 | 第18-20页 |
| ·GM(1,1)模型残差检验 | 第20页 |
| ·人工神经网络模型及预测 | 第20-24页 |
| ·神经网络的结构 | 第20-21页 |
| ·神经网络的学习规则 | 第21页 |
| ·BP 神经网络算法 | 第21-22页 |
| ·BP 网络算法的基本步骤 | 第22-23页 |
| ·BP 神经网络的优点和缺点 | 第23-24页 |
| ·时间序列分析模型 | 第24-25页 |
| ·时间序列模型的参数估计法 | 第25-28页 |
| ·牛顿法 | 第25-26页 |
| ·最速下降法 | 第26页 |
| ·共轭梯度法 | 第26-28页 |
| ·本章小结 | 第28-29页 |
| 第3章 无约束算法的改进及应用 | 第29-39页 |
| ·改进共轭梯度法 | 第30-33页 |
| ·提出目标函数 | 第30-31页 |
| ·确定初值 | 第31-33页 |
| ·算法步骤 | 第33页 |
| ·收敛性分析 | 第33-37页 |
| ·应用 | 第37-38页 |
| ·本章小结 | 第38-39页 |
| 第4章 优化时间序列模型的参数 | 第39-49页 |
| ·F-DY 算法 | 第39-40页 |
| ·F-DY 模型的参数优化 | 第40-44页 |
| ·确定目标函数 | 第40页 |
| ·确定初值 | 第40-43页 |
| ·算法步骤 | 第43-44页 |
| ·收敛性分析 | 第44-46页 |
| ·实例分析 | 第46-48页 |
| ·无约束规划 | 第46-47页 |
| ·F-DY 算法预测 | 第47-48页 |
| ·本章小结 | 第48-49页 |
| 第5章 组合模型 | 第49-56页 |
| ·组合模型的建立 | 第49-51页 |
| ·模型的预测 | 第51-55页 |
| ·灰色 GM(1,1)预测模型 | 第51-52页 |
| ·神经网络预测模型 | 第52-54页 |
| ·组合预测模型 | 第54-55页 |
| ·本章小结 | 第55-56页 |
| 第6章 神经网络修正 | 第56-61页 |
| ·时间序列的预测 | 第56-58页 |
| ·求和 ARIMA(p,d,q)序列的预测 | 第56-57页 |
| ·ARIMA(p,d,q)模型的预测 | 第57-58页 |
| ·基于 ARIMA(p,d,q)模型的 BP 神经网络修正预测 | 第58-59页 |
| ·BP 神经网络结构 | 第58页 |
| ·BP 神经网络建模 | 第58-59页 |
| ·实例分析 | 第59-60页 |
| ·本章小结 | 第60-61页 |
| 结论 | 第61-62页 |
| 参考文献 | 第62-66页 |
| 攻读硕士学位期间承担的科研任务与主要成果 | 第66-67页 |
| 致谢 | 第67-68页 |
| 作者简介 | 第68页 |