基于误差补偿的时间序列预测方法
| 摘要 | 第1-5页 |
| Abstract | 第5-8页 |
| 1 绪论 | 第8-15页 |
| ·研究背景及意义 | 第8-9页 |
| ·时间序列预测 | 第9-12页 |
| ·含义 | 第9-10页 |
| ·时间序列分析 | 第10-12页 |
| ·时间序列预测建模办法 | 第12-13页 |
| ·本文研究的内容 | 第13-15页 |
| 2 时间序列预测方法 | 第15-23页 |
| ·ARIMA模型 | 第15页 |
| ·静态神经网络 | 第15-18页 |
| ·BP网络建模 | 第15-16页 |
| ·BP网络的优势与缺点 | 第16-18页 |
| ·带有动态储备池的递归神经网络 | 第18-20页 |
| ·ESN基本原理 | 第18-19页 |
| ·ESN模型参数 | 第19页 |
| ·ESN预测模型的优缺点 | 第19-20页 |
| ·基于核学习的回归预测模型 | 第20-22页 |
| ·支持向量机基本原理 | 第20-21页 |
| ·最小二乘支持向量机 | 第21-22页 |
| ·基于核学习的方法的优缺点 | 第22页 |
| ·本章小结 | 第22-23页 |
| 3 基于误差补偿的时间序列预测方法 | 第23-31页 |
| ·框架与流程 | 第23-25页 |
| ·基于ESN的粗预测 | 第25-26页 |
| ·基于LSSVM的误差补偿模型 | 第26-27页 |
| ·基于遗传算法的补偿模型样本提取 | 第27-30页 |
| ·训练样本选择 | 第27页 |
| ·基于遗传算法的样本提取 | 第27-30页 |
| ·本章小结 | 第30-31页 |
| 4 仿真实验 | 第31-46页 |
| ·混沌时间序列Mackey-Glass | 第31-36页 |
| ·工业数据实验 | 第36-45页 |
| ·冶金副产煤气系统背景描述 | 第36-38页 |
| ·焦炉BFG使用量预测分析 | 第38-41页 |
| ·高炉煤气发生量预测分析 | 第41-45页 |
| ·本章小结 | 第45-46页 |
| 5 结论 | 第46-47页 |
| 参考文献 | 第47-51页 |
| 攻读硕士学位期间发表学术论文情况 | 第51-52页 |
| 致谢 | 第52-53页 |
