| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 主要符号表 | 第17-18页 |
| 1 绪论 | 第18-38页 |
| 1.1 研究背景和意义 | 第18-19页 |
| 1.2 多元时间序列预测研究进展 | 第19-24页 |
| 1.2.1 多元时间序列建模基本方法 | 第20-22页 |
| 1.2.2 回声状态网络预测模型 | 第22-24页 |
| 1.3 回声状态网络研究进展 | 第24-35页 |
| 1.3.1 回声状态网络参数选择与结构优化 | 第24-28页 |
| 1.3.2 回声状态网络学习算法 | 第28-32页 |
| 1.3.3 回声状态网络组合模型 | 第32-34页 |
| 1.3.4 现有研究工作存在的不足 | 第34-35页 |
| 1.4 论文的内容概括与结构安排 | 第35-38页 |
| 2 新型回声状态网络降维方法研究 | 第38-67页 |
| 2.1 引言 | 第38-40页 |
| 2.2 回声状态网络模型及病态解问题 | 第40-42页 |
| 2.3 快速子空间分解回声状态网络 | 第42-50页 |
| 2.3.1 快速子空间分解算法 | 第42-44页 |
| 2.3.2 FSDESN预测模型 | 第44-46页 |
| 2.3.3 模型性能分析 | 第46-47页 |
| 2.3.4 仿真实例 | 第47-50页 |
| 2.4 因子回声状态网络模型 | 第50-58页 |
| 2.4.1 因子分析 | 第50-51页 |
| 2.4.2 储备池因子分析 | 第51-54页 |
| 2.4.3 算法描述 | 第54-55页 |
| 2.4.4 仿真实例 | 第55-58页 |
| 2.5 拉普拉斯回声状态网络 | 第58-66页 |
| 2.5.1 拉普拉斯特征映射 | 第58-59页 |
| 2.5.2 LAESN模型 | 第59-61页 |
| 2.5.3 模型性能分析 | 第61-63页 |
| 2.5.4 仿真实例 | 第63-66页 |
| 2.6 本章小结 | 第66-67页 |
| 3 回声状态网络稀疏正则化研究 | 第67-93页 |
| 3.1 引言 | 第67-68页 |
| 3.2 回声状态网络正则化方法 | 第68-70页 |
| 3.3 自适应弹性网回声状态网络模型 | 第70-79页 |
| 3.3.1 弹性网算法 | 第71-73页 |
| 3.3.2 自适应弹性网算法 | 第73-74页 |
| 3.3.3 自适应弹性网回声状态网络模型 | 第74-75页 |
| 3.3.4 仿真实例 | 第75-79页 |
| 3.4 L_(1/2)范数与L_2范数混合正则化回声状态网络模型 | 第79-92页 |
| 3.4.1 L_(1/2)范数正则化方法 | 第79-81页 |
| 3.4.2 混合正则化回声状态网络模型 | 第81-82页 |
| 3.4.3 混沌时间序列可预测尺度 | 第82-84页 |
| 3.4.4 仿真实例 | 第84-92页 |
| 3.5 本章小结 | 第92-93页 |
| 4 回声状态网络新型组合预测模型 | 第93-124页 |
| 4.1 引言 | 第93-94页 |
| 4.2 小波对角回声状态网络 | 第94-102页 |
| 4.2.1 小波神经网络 | 第94-96页 |
| 4.2.2 小波对角回声状态网络 | 第96-99页 |
| 4.2.3 仿真实例 | 第99-102页 |
| 4.3 基于误差补偿的ARMA-RESN模型 | 第102-107页 |
| 4.3.1 ARMA模型 | 第102-104页 |
| 4.3.2 ARMA-RESN混合预测模型 | 第104-105页 |
| 4.3.3 仿真实例 | 第105-107页 |
| 4.4 非线性卡尔曼滤波回声状态网络 | 第107-123页 |
| 4.4.1 卡尔曼滤波算法 | 第108-109页 |
| 4.4.2 SCKF-γESN模型 | 第109-114页 |
| 4.4.3 异常值检测 | 第114-115页 |
| 4.4.4 SCKF-γESN精度 | 第115-118页 |
| 4.4.5 仿真实例 | 第118-123页 |
| 4.5 本章小结 | 第123-124页 |
| 5 结论与展望 | 第124-128页 |
| 5.1 结论 | 第124-126页 |
| 5.2 创新点 | 第126-127页 |
| 5.3 展望 | 第127-128页 |
| 参考文献 | 第128-139页 |
| 攻读博士学位期间科研项目及科研成果 | 第139-141页 |
| 致谢 | 第141-142页 |
| 作者简介 | 第142页 |