| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 第1章 绪论 | 第11-17页 |
| 1.1 课题研究背景 | 第11-12页 |
| 1.2 课题研究意义 | 第12-14页 |
| 1.3 税收预测的发展及现状 | 第14-15页 |
| 1.3.1 国外税收预测的研究成果 | 第14页 |
| 1.3.2 国内税收预测的研究成果 | 第14-15页 |
| 1.4 本文的主要研究内容及结构安排 | 第15-17页 |
| 第2章 常用税收预测模型 | 第17-35页 |
| 2.1 灰色理论模型 | 第17-22页 |
| 2.1.1 灰色系统的概念及特点 | 第17-18页 |
| 2.1.2 GM(1,1)模型 | 第18-19页 |
| 2.1.3 灰色预测模型的残差校验 | 第19-20页 |
| 2.1.4 GM(1,1)模型在煤炭税收预测中的应用 | 第20-22页 |
| 2.2 人工神经网络模型 | 第22-34页 |
| 2.2.1 神经网络模型基本概念 | 第22-25页 |
| 2.2.2 误差反传(BP)算法及基于BP算法的多层前馈模型 | 第25-26页 |
| 2.2.3 标准BP学习算法推导 | 第26-28页 |
| 2.2.4 神经网络性能评价指标 | 第28-29页 |
| 2.2.5 标准BP神经网络的构建 | 第29-31页 |
| 2.2.6 Matlab中实现标准BP算法神经网络编码 | 第31-32页 |
| 2.2.7 标准BP神经网络在煤炭税收预测中的应用 | 第32-34页 |
| 2.3 本章小结 | 第34-35页 |
| 第3章 煤炭税收预测改进算法的研究 | 第35-67页 |
| 3.1 改进的灰色预测模型 | 第35-39页 |
| 3.1.1 新陈代谢GM(1,1)模型 | 第35-36页 |
| 3.1.2 Matlab中实现新陈代谢GM(1,1)预测模型编码 | 第36-37页 |
| 3.1.3 基于新陈代谢GM(1,1)模型的煤炭税收预测及结果分析 | 第37-39页 |
| 3.2 改进BP算法的神经网络模型 | 第39-47页 |
| 3.2.1 标准BP算法的缺点 | 第39-40页 |
| 3.2.2 标准BP算法的改进 | 第40-43页 |
| 3.2.3 基于改进BP算法神经网络的煤炭税收预测 | 第43-47页 |
| 3.3 遗传算法优化BP神经网络模型 | 第47-59页 |
| 3.3.1 遗传算法介绍 | 第47-51页 |
| 3.3.2 遗传算法优化BP神经网络 | 第51-54页 |
| 3.3.3 Matlab中实现遗传BP神经网络编码 | 第54-55页 |
| 3.3.4 基于遗传BP神经网络的煤炭税收预测实验及结果分析 | 第55-57页 |
| 3.3.5 BP神经网络模型与遗传算法优化的BP神经网络模型比较 | 第57-59页 |
| 3.4 几种改进预测模型间的比较与分析 | 第59-65页 |
| 3.4.1 三种改进模型的仿真预测结果 | 第59-63页 |
| 3.4.2 三种改进模型预测结果对比分析 | 第63-65页 |
| 3.5 本章小结 | 第65-67页 |
| 第4章 煤税专业化管理系统中预测模块的设计与实现 | 第67-77页 |
| 4.1 煤炭税收专业化管理系统总体介绍 | 第67页 |
| 4.2 煤炭税收预测模块的设计 | 第67-69页 |
| 4.3 煤炭税收预测模块的实现 | 第69-75页 |
| 4.3.1 预测基础信息设置 | 第70-71页 |
| 4.3.2 预测功能实现 | 第71-73页 |
| 4.3.3 预测结果展示 | 第73-75页 |
| 4.4 本章小结 | 第75-77页 |
| 第5章 结论和展望 | 第77-79页 |
| 5.1 总结 | 第77-78页 |
| 5.2 展望 | 第78-79页 |
| 参考文献 | 第79-83页 |
| 致谢 | 第83页 |
