| 摘要 | 第1-5页 |
| Abstract | 第5-9页 |
| 第一章 绪论 | 第9-13页 |
| ·研究的目的和意义 | 第9-10页 |
| ·国内外研究现状 | 第10-11页 |
| ·存在的问题 | 第11-12页 |
| ·本文內容与结构 | 第12-13页 |
| 第二章 常见的时间序列预测方法 | 第13-23页 |
| ·时间序列预测简介 | 第13-14页 |
| ·时间序列预测 | 第13页 |
| ·时间序列预测精度的测定 | 第13-14页 |
| ·传统的统计预测方法简介 | 第14-15页 |
| ·定性预测 | 第14页 |
| ·定量预测 | 第14-15页 |
| ·常规的人工智能预测方法 | 第15-20页 |
| ·人工神经网络原理简介 | 第16页 |
| ·人工神经网络的特点 | 第16-17页 |
| ·人工神经网络的学习算法 | 第17-18页 |
| ·关于BP神经网络的基本知识 | 第18页 |
| ·关于BP神经网络的基本训练方法及改进措施 | 第18-19页 |
| ·关于BP神经网络的不足 | 第19-20页 |
| ·改进的人工智能预测方法 | 第20-21页 |
| ·遗传算法简介 | 第20-21页 |
| ·粒子群算法简介 | 第21页 |
| ·预测的局限性 | 第21-22页 |
| ·本章小结 | 第22-23页 |
| 第三章 组合神经网络模型 | 第23-32页 |
| ·组合神经网络模型简介 | 第23-24页 |
| ·组合神经网络有效性分析 | 第24页 |
| ·组合神经网络的训练方法 | 第24-26页 |
| ·Bagging法 | 第25页 |
| ·Boosting法 | 第25页 |
| ·Cross-validation法 | 第25-26页 |
| ·组合神经网络的设计 | 第26-27页 |
| ·组合神经网络模型训练/泛化与复杂度关系 | 第27-28页 |
| ·组合神经网络模型的偏置-方差-复杂度转移关系 | 第28-30页 |
| ·偏置-方差-噪声分解 | 第29页 |
| ·偏置-方差-复杂度转移 | 第29-30页 |
| ·组合神经网络的研究方向及存在问题 | 第30-31页 |
| ·本章小结 | 第31-32页 |
| 第四章 改进型组合神经网络模型的构建 | 第32-39页 |
| ·数据预处理 | 第32页 |
| ·数据的训练和预测方式 | 第32-33页 |
| ·组合神经网络模型的构建 | 第33-36页 |
| ·组合神经网络模型的输出设置 | 第33-34页 |
| ·构建组合神经网络模型的方法 | 第34-35页 |
| ·组合神经网络模型的泛化与确认 | 第35-36页 |
| ·组合神经网络模型的评价 | 第36-38页 |
| ·基于非单一类型的组合模型 | 第38页 |
| ·本章小结 | 第38-39页 |
| 第五章 组合神经网络模型的数值模拟实验 | 第39-51页 |
| ·太阳黑子数据预测模拟 | 第39-44页 |
| ·太阳黑子数据 | 第39页 |
| ·单一模型与组合模型结果比较 | 第39-41页 |
| ·组合神经网络模型复杂度与泛化能力比较 | 第41-43页 |
| ·组合神经网络模型的偏置-方差-复杂度分解与泛化能力分析 | 第43页 |
| ·实验结论 | 第43-44页 |
| ·Lorenz系统数据预测模拟 | 第44-48页 |
| ·Lorenz系统 | 第44页 |
| ·模拟训练 | 第44页 |
| ·单一模型与组合模型结果比较 | 第44-46页 |
| ·组合神经网络模型复杂度与泛化能力比较 | 第46-47页 |
| ·组合神经网络模型的偏置-方差-复杂度分解与泛化能力比较 | 第47页 |
| ·实验结论 | 第47-48页 |
| ·基于非单一类型的组合模型预测模拟 | 第48-50页 |
| ·模型设置与训练 | 第48页 |
| ·模拟结果 | 第48-49页 |
| ·结果分析 | 第49-50页 |
| ·本章小结 | 第50-51页 |
| 第六章 结论与展望 | 第51-53页 |
| ·本文主要研究工作 | 第51页 |
| ·展望 | 第51-53页 |
| 参考文献 | 第53-58页 |
| 致谢 | 第58-59页 |
| 附录 作者论文发表情况 | 第59页 |