| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 课题研究的背景与意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.2.1 ANN用于时间序列预测 | 第11-12页 |
| 1.2.2 集成学习用于时间序列预测 | 第12-13页 |
| 1.3 本文主要贡献 | 第13页 |
| 1.4 本文章节安排 | 第13-16页 |
| 第2章 集成学习方法简介 | 第16-25页 |
| 2.1 集成学习方法理论基础 | 第16-18页 |
| 2.1.1 集成学习方法的起源和发展 | 第16-17页 |
| 2.1.2 集成学习方法的实现 | 第17页 |
| 2.1.3 集成学习方法的作用 | 第17-18页 |
| 2.2 集成学习算法 | 第18-21页 |
| 2.2.1 Bagging算法 | 第18-19页 |
| 2.2.2 Boosting算法 | 第19-21页 |
| 2.3 选择性集成学习方法 | 第21-24页 |
| 2.3.1 选择性集成学习的理论分析 | 第21-23页 |
| 2.3.2 选择的策略 | 第23页 |
| 2.3.3 选择的评价指标 | 第23-24页 |
| 2.4 本章小结 | 第24-25页 |
| 第3章 基于BP神经网络的AdaBoost.RT集成学习方法 | 第25-42页 |
| 3.1 BP神经网络 | 第25-28页 |
| 3.1.1 网络结构 | 第25-26页 |
| 3.1.2 学习算法 | 第26-28页 |
| 3.2 AdaBoost.RT-BP集成预测模型 | 第28-30页 |
| 3.2.1 AdaBoost.RT算法 | 第28-29页 |
| 3.2.2 AdaBoost.RT-BP集成预测模型 | 第29-30页 |
| 3.3 仿真示例 | 第30-41页 |
| 3.3.1 CATS基准时间序列 | 第30-31页 |
| 3.3.2 相空间重构(Phase Space Reconstruction) | 第31-32页 |
| 3.3.3 多模型方法 | 第32-36页 |
| 3.3.4 全局建模策略 | 第36-40页 |
| 3.3.5 不同预测方法的结果比较 | 第40-41页 |
| 3.4 本章小结 | 第41-42页 |
| 第4章 基于模糊神经网络的改进AdaBoost.RT集成学习方法 | 第42-55页 |
| 4.1 模糊神经网络 | 第42-44页 |
| 4.1.1 前件网络 | 第42-43页 |
| 4.1.2 后件网络 | 第43页 |
| 4.1.3 学习算法 | 第43-44页 |
| 4.2 改进型AdaBoost.RT算法 | 第44-45页 |
| 4.3 仿真示例 | 第45-54页 |
| 4.3.1 洛伦兹时间序列 | 第45-49页 |
| 4.3.2 Mackey-Glass时间序列 | 第49-51页 |
| 4.3.3 太阳黑子时间序列 | 第51-54页 |
| 4.4 本章小结 | 第54-55页 |
| 第5章 基于Elman网络与人工免疫算法的选择性集成学习方法 | 第55-76页 |
| 5.1 Elman神经网络 | 第55-57页 |
| 5.1.1 网络结构 | 第55-56页 |
| 5.1.2 学习算法 | 第56-57页 |
| 5.2 人工免疫算法(Artificial Immune Algorithm) | 第57-59页 |
| 5.2.1 基本思想 | 第57-58页 |
| 5.2.2 具体计算步骤 | 第58-59页 |
| 5.3 基于Elman网络和人工免疫算法的选择性集成学习方法 | 第59-60页 |
| 5.4 实例预测 | 第60-75页 |
| 5.4.1 数据预处理 | 第60-61页 |
| 5.4.2 集成模型的参数设定 | 第61页 |
| 5.4.3 道琼斯股指时间序列 | 第61-66页 |
| 5.4.4 恒生股指时间序列 | 第66-70页 |
| 5.4.5 GlaxoSmithKline股指时间序列 | 第70-75页 |
| 5.5 本章小结 | 第75-76页 |
| 第6章 基于模糊认知图的集成学习方法 | 第76-86页 |
| 6.1 模糊认知图 | 第76-79页 |
| 6.1.1 理论基础 | 第76-77页 |
| 6.1.2 推理机制 | 第77-78页 |
| 6.1.3 学习算法 | 第78-79页 |
| 6.2 模糊C均值聚类算法 | 第79页 |
| 6.2.1 原理 | 第79页 |
| 6.2.2 步骤 | 第79页 |
| 6.3 基于模糊C均值聚类和模糊认知图的建模方法 | 第79-80页 |
| 6.4 实例预测 | 第80-84页 |
| 6.5 基于F-cm聚类算法和FCM的集成学习方法的应用 | 第84-85页 |
| 6.6 本章小结 | 第85-86页 |
| 第7章 总结与展望 | 第86-88页 |
| 7.1 本文工作总结 | 第86页 |
| 7.2 未来工作展望 | 第86-88页 |
| 参考文献 | 第88-94页 |
| 致谢 | 第94-95页 |
| 攻读学位期间发表论文 | 第95页 |
