| 目录 | 第3-6页 |
| 摘要 | 第6页 |
| Abstract | 第6-7页 |
| 第一章 引言 | 第7-12页 |
| 1.1 研究背景,目的和意义 | 第7-9页 |
| 1.1.1 研究背景 | 第7-8页 |
| 1.1.2 研究目的 | 第8-9页 |
| 1.1.3 研究意义 | 第9页 |
| 1.2 国内外研究动态和发展趋势 | 第9-11页 |
| 1.2.1 国外股票市场预测研究情况 | 第9-10页 |
| 1.2.2 国内研究情况 | 第10-11页 |
| 1.3 研究内容,方法和创新 | 第11-12页 |
| 1.3.1 研究内容 | 第11页 |
| 1.3.2 研究方法 | 第11-12页 |
| 1.3.3 创新点 | 第12页 |
| 第二章 神经网络 | 第12-19页 |
| 2.1 神经网络 | 第12-15页 |
| 2.1.1 神经网络简介 | 第12-13页 |
| 2.1.2 神经元结构 | 第13-14页 |
| 2.1.3 神经网络模型结构 | 第14-15页 |
| 2.1.4 神经网络的缺点 | 第15页 |
| 2.2 Bp神经网络 | 第15-19页 |
| 2.2.1 bp神经网络简介 | 第15-16页 |
| 2.2.2 bp神经网络自学习过程 | 第16-17页 |
| 2.2.3 Bp神经网络的具体步骤 | 第17页 |
| 2.2.4 Bp神经网络的优缺点 | 第17-19页 |
| 第三章 遗传算法原理 | 第19-24页 |
| 3.1 遗传算法 | 第19-22页 |
| 3.1.1 遗传算法简介 | 第19-20页 |
| 3.1.2 遗传算法具体步骤 | 第20-21页 |
| 3.1.3 遗传算法的优缺点 | 第21-22页 |
| 3.2 粒子群算法 | 第22-24页 |
| 3.2.1 粒子群算法简介 | 第22页 |
| 3.2.2 粒子群优化算法思想和步骤 | 第22-23页 |
| 3.2.3 粒子群算法的优缺点 | 第23-24页 |
| 第四章 中国股市的预测 | 第24-28页 |
| 4.1 影响股票的因素分析 | 第24-25页 |
| 4.2 中国股票预测的可行性 | 第25-28页 |
| 第五章 基于粒子群优化的bp神经网络 | 第28-36页 |
| 5.1 简介 | 第28页 |
| 5.2 粒子群优化神经网络算法设计 | 第28-33页 |
| 5.2.1 神经元个数 | 第29页 |
| 5.2.2 粒子编码 | 第29-30页 |
| 5.2.3 初始权重和阈值的选择 | 第30页 |
| 5.2.4 粒子速度和参数界限 | 第30页 |
| 5.2.5 惯性权重的设定 | 第30-31页 |
| 5.2.6 学习次数及误差精度 | 第31页 |
| 5.2.7 性能评价 | 第31-32页 |
| 5.2.8 传递函数的选取 | 第32页 |
| 5.2.9 学习因子 | 第32页 |
| 5.2.10 数据的预处理 | 第32-33页 |
| 5.3 对于隐层神经元个数的优化 | 第33-36页 |
| 第六章 粒子群算法优化的bp神经网络预测股票市场 | 第36-49页 |
| 6.1 粒子群算法优化的bp神经网络预测股市 | 第36-38页 |
| 6.1.1 粒子群算法优化的bp神经网络预测股市的建模 | 第36页 |
| 6.1.2 网络结构的设计 | 第36-38页 |
| 6.2 模型的实证 | 第38-49页 |
| 6.2.1 三种指数的粒子群优化bp神经网络实证 | 第38-45页 |
| 6.2.2 粒子群优化bp神经网络与bp神经网络对比 | 第45-46页 |
| 6.2.3 迭代次数对算法的影响 | 第46-49页 |
| 第七章 结论与展望 | 第49-51页 |
| 参考文献 | 第51-52页 |
| 致谢 | 第52-53页 |