基于回声状态网络的非线性时间序列预测方法研究
| 摘要 | 第1-5页 |
| Abstract | 第5-13页 |
| 第1章 绪论 | 第13-39页 |
| ·课题研究的背景和意义 | 第13-15页 |
| ·神经网络时间序列预测方法概述 | 第15-24页 |
| ·时间序列预测方法概述 | 第15-16页 |
| ·神经网络时间序列预测方法 | 第16-22页 |
| ·回声状态网络时间序列预测方法 | 第22-24页 |
| ·回声状态网络研究现状 | 第24-36页 |
| ·回声状态网络的模型结构和数学模型 | 第24-27页 |
| ·回声状态网络的训练算法 | 第27-29页 |
| ·回声状态网络的关键参数 | 第29-30页 |
| ·稳定性：回声状态属性 | 第30-31页 |
| ·储备池适应性问题 | 第31-35页 |
| ·应用方法研究 | 第35-36页 |
| ·ESN 时间序列预测存在问题 | 第36-37页 |
| ·论文的主要研究内容及结构安排 | 第37-39页 |
| 第2章 组合ESN 非线性时间序列预测方法 | 第39-64页 |
| ·引言 | 第39-40页 |
| ·回声状态网络时间序列多步预测模型 | 第40-47页 |
| ·迭代预测和直接预测 | 第40-41页 |
| ·ESN 时间序列多步预测模型框架 | 第41-42页 |
| ·相空间重构 | 第42页 |
| ·基于ESN 的时间序列多步预测 | 第42-43页 |
| ·基于岭回归的直接预测和迭代预测融合方法 | 第43-44页 |
| ·算法验证和评估 | 第44-47页 |
| ·小波分解回声状态网络时间序列预测 | 第47-56页 |
| ·小波分解局部回声状态网络时间序列预测 | 第48-52页 |
| ·小波分解全局回声状态网络时间序列预测 | 第52-54页 |
| ·算法验证和评估 | 第54-56页 |
| ·自相关分析回声状态网络时间序列预测方法 | 第56-62页 |
| ·自相关法确定ESN 的输入向量 | 第56-57页 |
| ·算法流程 | 第57页 |
| ·算法验证和评估 | 第57-61页 |
| ·储备池参数选择 | 第61-62页 |
| ·本章小结 | 第62-64页 |
| 第3章 模糊回声状态网络非线性时间序列预测方法 | 第64-91页 |
| ·引言 | 第64页 |
| ·模糊Takagi-Sugeno 模型 | 第64-66页 |
| ·模糊回声状态网络 | 第66-87页 |
| ·模糊回声状态网络的模型结构 | 第66-70页 |
| ·模糊回声状态网络的推理算法 | 第70-74页 |
| ·模糊回声状态网络的训练算法 | 第74-76页 |
| ·模糊回声状态网络的性质 | 第76-78页 |
| ·回声状态属性：稳定性分析 | 第78-81页 |
| ·算法验证和评估 | 第81-87页 |
| ·FESN 非线性时间序列预测方法 | 第87-90页 |
| ·基于FESN 的非线性时间序列预测 | 第87页 |
| ·算法验证和评估 | 第87-90页 |
| ·本章小结 | 第90-91页 |
| 第4章 EKF-ESN 非线性时间序列预测方法 | 第91-107页 |
| ·引言 | 第91页 |
| ·扩展卡尔曼滤波递归神经网络训练算法 | 第91-94页 |
| ·扩展卡尔曼滤波 | 第91-93页 |
| ·基于扩展卡尔曼滤波的递归神经网络训练算法 | 第93-94页 |
| ·基于EKF-ESN 的时间序列预测算法 | 第94-100页 |
| ·ESN 的EKF 训练算法框架 | 第94-97页 |
| ·观测方程的一阶线性近似 | 第97-100页 |
| ·算法流程 | 第100-102页 |
| ·算法验证和评估 | 第102-105页 |
| ·Lorenz 混沌时间序列预测 | 第102-104页 |
| ·移动通信话务量预测 | 第104-105页 |
| ·几种方法的比较 | 第105-106页 |
| ·本章小结 | 第106-107页 |
| 结论 | 第107-110页 |
| 参考文献 | 第110-123页 |
| 攻读博士学位期间发表的论文及其它成果 | 第123-126页 |
| 致谢 | 第126-127页 |
| 个人简历 | 第127页 |
