| 摘要 | 第1-9页 |
| Abstract | 第9-10页 |
| 插图索引 | 第10-11页 |
| 附表索引 | 第11-12页 |
| 第1章 绪论 | 第12-18页 |
| ·本课题的研究意义 | 第12-13页 |
| ·本课题的研究背景 | 第13-14页 |
| ·预测模型研究现状 | 第14-16页 |
| ·本课题的主要研究内容和章节安排 | 第16-18页 |
| 第2章 时间序列建模和预测的原理及方法 | 第18-30页 |
| ·时间序列预测简介 | 第18-20页 |
| ·时间序列概念 | 第18-19页 |
| ·时间序列预测模型 | 第19-20页 |
| ·时间序列预测方法 | 第20页 |
| ·时间序列的统计学预测模型 | 第20-23页 |
| ·自回归模型AR(p) | 第21-22页 |
| ·移动平均模型MA(q) | 第22页 |
| ·自回归移动平均模型ARMA(p,q) | 第22-23页 |
| ·时间序列的神经网络预测模型 | 第23-29页 |
| ·神经网络模型 | 第24-25页 |
| ·BP神经网络的模型与结构 | 第25-26页 |
| ·BP神经网络的学习算法 | 第26-29页 |
| ·BP神经网络建模的缺陷 | 第29页 |
| ·本章小结 | 第29-30页 |
| 第3章 基于支持向量机的预测模型研究 | 第30-48页 |
| ·机器学习的基本问题 | 第30-32页 |
| ·问题的表示 | 第30-31页 |
| ·经验风险最小化 | 第31页 |
| ·复杂性和推广性能 | 第31-32页 |
| ·统计学习理论 | 第32-35页 |
| ·VC维 | 第33-34页 |
| ·推广性的界 | 第34页 |
| ·结构化风险最小化原理 | 第34-35页 |
| ·支持向量机 | 第35-42页 |
| ·支持向量机的发展及应用 | 第35-36页 |
| ·支持向量机的基本原理 | 第36-39页 |
| ·支持向量机的核函数 | 第39-42页 |
| ·支持向量机回归原理 | 第42-45页 |
| ·支持向量机回归 | 第42-44页 |
| ·支持向量机回归的实现 | 第44-45页 |
| ·基于支持向量机的预测模型 | 第45-47页 |
| ·基于支持向量机的煤气炉燃烧过程CO_2含量预测模型 | 第45-46页 |
| ·基于支持向量机的短期风速的预测模型 | 第46页 |
| ·基于支持向量机的上证指数预测模型 | 第46-47页 |
| ·本章小结 | 第47-48页 |
| 第4章 基于改进的支持向量机的预测模型研究 | 第48-69页 |
| ·支持向量机的改进 | 第48-49页 |
| ·最小二乘支持向量机 | 第49-58页 |
| ·最小二乘支持向量机基本原理 | 第49-51页 |
| ·基于LSSVM的非平稳时间序列预测方法 | 第51-53页 |
| ·基于LSSVM的预测模型 | 第53-58页 |
| ·最小二乘支持向量机稀疏性的改进 | 第58-59页 |
| ·剪枝算法 | 第58页 |
| ·样本字典算法 | 第58-59页 |
| ·最小二乘支持向量机的增量式和在线式算法 | 第59-65页 |
| ·增量式学习算法 | 第59-62页 |
| ·在线式学习算法 | 第62-65页 |
| ·增量式模糊最小二乘支持向量机 | 第65-68页 |
| ·增量式模糊最小二乘支持向量机原理 | 第65-66页 |
| ·基于增量式模糊最小二乘支持向量机的预测模型 | 第66页 |
| ·基于增量式模糊最小二乘支持向量机的电压预测模型 | 第66页 |
| ·基于增量式模糊最小二乘支持向量机的短期风速预测模型 | 第66-68页 |
| ·本章小结 | 第68-69页 |
| 第5章 Cu-Zr-Al非晶合金晶化过程电特性预测模型研究 | 第69-78页 |
| ·预测方法概论 | 第69页 |
| ·基于小波变换和BP-ILSSVM的时间序列预测方法 | 第69-72页 |
| ·方案构思 | 第69-70页 |
| ·小波变换原理 | 第70-71页 |
| ·基于小波变换和BP-ILSSVM的预测模型简介 | 第71-72页 |
| ·基于小波变换和BP-ILSSVM的上证指数预测模型 | 第72-75页 |
| ·基于小波变换和BP-ILSSVM的晶化过程电特性预测模型 | 第75-77页 |
| ·本章小结 | 第77-78页 |
| 结论与展望 | 第78-79页 |
| 参考文献 | 第79-84页 |
| 致谢 | 第84-85页 |
| 附录 攻读学位期间所发表的学术论文目录 | 第85页 |
