| 致谢 | 第9-10页 |
| 摘要 | 第10-12页 |
| ABSTRACT | 第12-14页 |
| 第一章 绪论 | 第20-32页 |
| 1.1 研究背景与意义 | 第20-23页 |
| 1.1.1 研究的背景 | 第20-22页 |
| 1.1.2 研究的意义 | 第22-23页 |
| 1.2 研究现状与问题分析 | 第23-28页 |
| 1.3 研究内容与结构安排 | 第28-32页 |
| 1.3.1 主要研究内容 | 第28-29页 |
| 1.3.2 论文结构安排 | 第29-32页 |
| 第二章 复杂数据趋势提取与特征分析理论概述 | 第32-56页 |
| 2.1 数据预测与分类的基础 | 第32-34页 |
| 2.1.1 数据预处理技术 | 第32-33页 |
| 2.1.2 数据分布特征的辨识方法 | 第33-34页 |
| 2.2 基于复杂数据波动性分析的趋势提取与降维度处理方法 | 第34-41页 |
| 2.2.1 基于成分模型分解的连续型数据趋势提取方法 | 第34-39页 |
| 2.2.2 基于频域分析的连续型数据趋势提取方法 | 第39-41页 |
| 2.3 基于模式识别的复杂数据特征分析方法 | 第41-55页 |
| 2.3.1 数据采样技术 | 第41-44页 |
| 2.3.2 随机模拟方法 | 第44-47页 |
| 2.3.3 维归约方法 | 第47-51页 |
| 2.3.4 数据特征选择方法 | 第51-55页 |
| 2.4 本章小结 | 第55-56页 |
| 第三章 基于相似性测度的半参数回归概率密度预测 | 第56-80页 |
| 3.1 引言 | 第56页 |
| 3.2 问题描述 | 第56-58页 |
| 3.3 Bootstrap区间估计理论 | 第58-60页 |
| 3.3.1 Bootstrap参数估计 | 第58-59页 |
| 3.3.2 Bootstrap区间估计 | 第59-60页 |
| 3.4 基于非参数修匀的半参数回归方法 | 第60-63页 |
| 3.4.1 线性半参数回归模型 | 第60-61页 |
| 3.4.2 基于时间序列平滑的半参数回归模型 | 第61-62页 |
| 3.4.3 模型的估计方法 | 第62-63页 |
| 3.5 基于Bootstrap估计的概率密度预测方法 | 第63-64页 |
| 3.6 基于相似性测度的变量选择与识别策略 | 第64-67页 |
| 3.6.1 相似性测度的概念 | 第64-66页 |
| 3.6.2 变量选择与识别策略 | 第66-67页 |
| 3.7 数值实验 | 第67-79页 |
| 3.7.1 数据的描述 | 第67-68页 |
| 3.7.2 变量选择与因子提取 | 第68-73页 |
| 3.7.3 实验结果与分析 | 第73-79页 |
| 3.8 本章小结 | 第79-80页 |
| 第四章 基于数据降维的分段可加半参数回归概率密度预测 | 第80-100页 |
| 4.1 引言 | 第80-81页 |
| 4.2 基于分段可加的半参数预测方法 | 第81-84页 |
| 4.2.1 半参数回归模型的拓展 | 第81-82页 |
| 4.2.2 基于分段光滑的半参数可加回归模型 | 第82-83页 |
| 4.2.3 模型的估计方法 | 第83-84页 |
| 4.3 基于Bootstrap估计的概率预测方法 | 第84-85页 |
| 4.4 基于Bootstrap采样的数据模拟 | 第85-86页 |
| 4.5 数值实验 | 第86-99页 |
| 4.5.1 数据的描述 | 第87-89页 |
| 4.5.2 变量选择与因子提取 | 第89-92页 |
| 4.5.3 气象和经济数据模拟 | 第92-94页 |
| 4.5.4 实验结果与分析 | 第94-99页 |
| 4.6 本章小结 | 第99-100页 |
| 第五章 基于频域特征提取的半参数回归概率密度预测 | 第100-119页 |
| 5.1 引言 | 第100-101页 |
| 5.2 基于非参数修匀的半参数回归模型 | 第101-104页 |
| 5.2.1 半参数回归模型的拓展 | 第101-102页 |
| 5.2.2 模型的估计方法 | 第102-104页 |
| 5.3 基于EEMD的复杂数据趋势提取方法 | 第104-106页 |
| 5.3.1 EEMD的基本原理 | 第104-105页 |
| 5.3.2 复杂数据波动趋势提取与辨识方法 | 第105-106页 |
| 5.4 基于趋势提取的半参数概率密度预测方法 | 第106-107页 |
| 5.5 数值实验 | 第107-118页 |
| 5.5.1 数据的描述 | 第107-109页 |
| 5.5.2 特征分量提取、识别与重构 | 第109页 |
| 5.5.3 变量选择与因子提取 | 第109-113页 |
| 5.5.4 实验结果与分析 | 第113-118页 |
| 5.6 本章小结 | 第118-119页 |
| 第六章 基于特征选择与支持向量机的高维数据分类方法 | 第119-141页 |
| 6.1 引言 | 第119页 |
| 6.2 问题描述 | 第119-120页 |
| 6.3 基于SVM-RFE-MRMR的高维数据分类方法 | 第120-130页 |
| 6.3.1 SVM的基本原理 | 第120-123页 |
| 6.3.2 基于SVM-RFE的数据分类 | 第123-125页 |
| 6.3.3 基于最大相关最小冗余的多元SVM-RFE分类 | 第125-127页 |
| 6.3.4 分类准确性评价 | 第127页 |
| 6.3.5 数值实验 | 第127-130页 |
| 6.4 基于SVM-RFE-MRMR的电力市场价格预测 | 第130-140页 |
| 6.4.1 基于数据分类的电力市场价格预测原理 | 第130-131页 |
| 6.4.2 基于PCA-DP时间序列分割的数据波动模式划分 | 第131-132页 |
| 6.4.3 基于序列分割的SVM-RFE-MRMR的复杂数据预测框架 | 第132-134页 |
| 6.4.4 数值实验 | 第134-140页 |
| 6.5 本章小结 | 第140-141页 |
| 第七章 总结与展望 | 第141-144页 |
| 7.1 总结 | 第141-142页 |
| 7.2 展望 | 第142-144页 |
| 参考文献 | 第144-159页 |
| 攻读博士学位期间的学术活动及成果情况 | 第159页 |
