| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第10-15页 |
| 1.1 研究背景与研究意义 | 第10-11页 |
| 1.2 文献综述 | 第11-12页 |
| 1.3 拟解决关键问题及研究思路 | 第12-13页 |
| 1.4 研究内容、研究方法与技术路线 | 第13-15页 |
| 第二章 相关理论概述 | 第15-27页 |
| 2.1 股票指数相关理论 | 第15-18页 |
| 2.1.1 股票指数及其影响因素 | 第15-16页 |
| 2.1.2 上证指数及其主要指标 | 第16页 |
| 2.1.3 股票指数预测模型 | 第16-18页 |
| 2.2 BP 神经网络相关理论 | 第18-20页 |
| 2.2.1 BP 神经网络拓扑结构及学习算法 | 第18-19页 |
| 2.2.2 BP 神经网络在上证指数预测应用中不足 | 第19-20页 |
| 2.3 小波神经网络相关理论 | 第20-26页 |
| 2.3.1 小波的定义 | 第20-21页 |
| 2.3.2 小波神经网络概述 | 第21-22页 |
| 2.3.3 小波神经网络分类与优点 | 第22页 |
| 2.3.4 小波神经网络激励函数及隐层神经元数目的选取 | 第22-23页 |
| 2.3.5 小波神经网络拓扑结构 | 第23-24页 |
| 2.3.6 小波神经网络学习算法 | 第24-26页 |
| 2.4 本章小结 | 第26-27页 |
| 第三章 小波神经网络的改进研究 | 第27-41页 |
| 3.1 小波神经网络在上证指数预测中的不足及其改进思想 | 第27-29页 |
| 3.2 BFO 小波神经网络模型 | 第29-34页 |
| 3.2.1 细菌觅食优化算法基本原理 | 第29-30页 |
| 3.2.2 细菌觅食优化算法参数设置 | 第30页 |
| 3.2.3 细菌觅食优化算法的步骤及流程 | 第30-32页 |
| 3.2.4 BFO 小波神经网络模型设计 | 第32-34页 |
| 3.3 AIW-PSO 小波神经网络模型 | 第34-40页 |
| 3.3.1 粒子群优化算法原理 | 第34-35页 |
| 3.3.2 自适应惯性权重粒子群优化算法 | 第35-36页 |
| 3.3.3 AIW-PSO 算法的相关参数设置 | 第36页 |
| 3.3.4 AIW-PSO 算法的步骤及流程 | 第36-37页 |
| 3.3.5 AIW-PSO 小波神经网络模型设计 | 第37-40页 |
| 3.4 本章小结 | 第40-41页 |
| 第四章 基于上证指数数据样本的预测模型设计 | 第41-47页 |
| 4.1 上证指数数据样本采集及预处理 | 第41-42页 |
| 4.2 基于上证指数数据样本的三种传统预测模型设计 | 第42-44页 |
| 4.2.1 BP 神经网络预测模型设计 | 第42-43页 |
| 4.2.2 小波神经网络预测模型设计 | 第43页 |
| 4.2.3 BFO-BP 神经网络预测模型设计 | 第43-44页 |
| 4.3 基于上证指数数据样本的改进小波神经网络预测模型设计 | 第44-46页 |
| 4.3.1 BFO 小波神经网络预测模型设计 | 第44-45页 |
| 4.3.2 AIW-PSO 小波神经网络预测模型设计 | 第45-46页 |
| 4.4 本章小结 | 第46-47页 |
| 第五章 上证指预测模型试验结果的比较分析 | 第47-56页 |
| 5.1 基于三种传统预测模型的上证指数预测结果 | 第47-50页 |
| 5.2 基于改进小波神经网络的上证指数预测结果 | 第50-53页 |
| 5.3 五种模型预测结果比较分析及初步结论 | 第53-55页 |
| 5.4 本章小结 | 第55-56页 |
| 结论与展望 | 第56-59页 |
| 参考文献 | 第59-63页 |
| 攻读硕士学位期间取得的研究成果 | 第63-64页 |
| 致谢 | 第64-65页 |
| 附件 | 第65页 |
