单纯ARIMA模型和ARIMA-GRNN组合模型在猩红热月发病率中的预测效果比较
| 英文缩略词表 | 第1-7页 |
| 中文摘要 | 第7-9页 |
| 英文摘要 | 第9-11页 |
| 前言 | 第11-13页 |
| 资料与方法 | 第13-25页 |
| 资料 | 第13页 |
| 方法 | 第13-25页 |
| 求和自回归滑动平均模型 | 第13-20页 |
| 模型的介绍 | 第13-14页 |
| 模型的识别 | 第14-17页 |
| 模型的参数估计 | 第17-18页 |
| 模型的诊断 | 第18-19页 |
| 模型的应用 | 第19-20页 |
| 广义回归神经网络 | 第20-24页 |
| 输入输出数据的选择 | 第22-23页 |
| 输入输出数据的预处理 | 第23-24页 |
| 学习样本的选择 | 第24页 |
| ARIMA-GRNN 组合模型 | 第24页 |
| 统计分析 | 第24-25页 |
| 结果 | 第25-47页 |
| 猩红热发病特征 | 第25-35页 |
| 时间分布 | 第25-28页 |
| 猩红热月发病率与各气象因素的相关性分析 | 第28-34页 |
| 猩红热月发病率趋势检验 | 第34-35页 |
| 求和自回归滑动平均模型的建立 | 第35-41页 |
| 模型的识别 | 第35-37页 |
| 白噪声检验 | 第35-36页 |
| 自相关函数与偏自相关函数 | 第36-37页 |
| 模型的阶数的确定 | 第37页 |
| 模型的参数估计 | 第37-38页 |
| 模型的诊断 | 第38-40页 |
| 模型的应用 | 第40-41页 |
| ARIMA-GRNN 组合模型的建立 | 第41-46页 |
| 学习样本的选择 | 第41页 |
| 数据的处理 | 第41页 |
| 网络的建立与训练 | 第41-44页 |
| 网络的应用 | 第44-45页 |
| 网络的建立与训练的Matlab 程序 | 第45-46页 |
| 模型精度的评价 | 第46-47页 |
| 讨论 | 第47-49页 |
| 结论 | 第49-50页 |
| 参考文献 | 第50-53页 |
| 附录 | 第53-55页 |
| 附录1 个人简历 | 第53-54页 |
| 附录2 研究生期间参与论文撰写情况 | 第54-55页 |
| 致谢 | 第55-56页 |
| 综述 | 第56-73页 |
| 参考文献 | 第70-73页 |
