| 摘要 | 第1-5页 |
| ABSTRACT | 第5-9页 |
| 第1章 绪论 | 第9-15页 |
| ·研究背景 | 第9-11页 |
| ·灰色神经网络理论的提出与研究现状 | 第9-11页 |
| ·支持向量机理论的提出与研究现状 | 第11页 |
| ·研究目的和意义 | 第11-12页 |
| ·研究内容和组织结构 | 第12-15页 |
| ·研究内容 | 第12-13页 |
| ·本文的结构安排 | 第13-15页 |
| 第2章 灰色神经网络预测模型 | 第15-28页 |
| ·灰色系统概述 | 第15-19页 |
| ·灰色系统理论 | 第15-16页 |
| ·灰色预测模型建模机理 | 第16-17页 |
| ·灰色GM(1,1)模型 | 第17-19页 |
| ·神经网络概述 | 第19-25页 |
| ·神经网络理论 | 第19-20页 |
| ·神经网络模型建模机理 | 第20-23页 |
| ·BP网络模型 | 第23-24页 |
| ·RBF网络模型 | 第24-25页 |
| ·灰色神经网络预测模型 | 第25-27页 |
| ·神经网络与灰色系统的融合 | 第25-26页 |
| ·灰色神经网络预测模型 | 第26-27页 |
| ·本章小结 | 第27-28页 |
| 第3章 支持向量机预测模型 | 第28-36页 |
| ·支持向量机概述 | 第28-33页 |
| ·支持向量机理论 | 第28-29页 |
| ·线性支持向量机 | 第29-33页 |
| ·神经网络与支持向量机 | 第33-35页 |
| ·神经网络和支持向量机的区别 | 第33-34页 |
| ·神经网络和支持向量机的融合 | 第34-35页 |
| ·本章小结 | 第35-36页 |
| 第4章 基于结构风险的灰色补偿RBF神经网络预测模型 | 第36-45页 |
| ·残差GM(1,1)模型 | 第36-38页 |
| ·GM(1,1)模型的局限性 | 第36页 |
| ·残差GM(1,1)模型 | 第36-38页 |
| ·基于结构风险的GRBFNN预测模型 | 第38-41页 |
| ·模型分析 | 第38-39页 |
| ·模型详述 | 第39-41页 |
| ·基于结构风险的GRBFNN预测模型的应用 | 第41-44页 |
| ·应用背景 | 第41-42页 |
| ·实验结果分析 | 第42-44页 |
| ·本章小结 | 第44-45页 |
| 第5章 基于灰色关联的灰色支持向量回归机预测模型 | 第45-56页 |
| ·支持向量回归机 | 第45-48页 |
| ·支持向量回归机模型 | 第45-46页 |
| ·模型参数的选择 | 第46-48页 |
| ·灰色关联分析模型 | 第48-49页 |
| ·基于灰色关联的GSVM预测模型 | 第49-51页 |
| ·模型分析 | 第49页 |
| ·模型详述 | 第49-51页 |
| ·基于灰色关联的GSVM预测模型的应用 | 第51-55页 |
| ·应用背景 | 第51-52页 |
| ·建立应用模型 | 第52-54页 |
| ·实验结果分析 | 第54-55页 |
| ·本章小结 | 第55-56页 |
| 第6章 结论与展望 | 第56-58页 |
| ·全文总结 | 第56-57页 |
| ·研究展望 | 第57-58页 |
| 参考文献 | 第58-61页 |
| 致谢 | 第61-62页 |
| 附录:攻读硕士学位期间公开发表的论文 | 第62页 |