| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第一章 绪论 | 第9-14页 |
| 1.1 引言 | 第9页 |
| 1.2 监督学习与无监督学习 | 第9-10页 |
| 1.3 研究背景与现状 | 第10-12页 |
| 1.3.1 汇率预测 | 第10-11页 |
| 1.3.2 粗糙聚类算法 | 第11-12页 |
| 1.4 本文主要工作 | 第12页 |
| 1.5 论文组织结构 | 第12-14页 |
| 第二章 基础理论 | 第14-19页 |
| 2.1 支持向量回归 | 第14-16页 |
| 2.1.1 VC维与结构、经验风险 | 第14-15页 |
| 2.1.2 支持向量回归 | 第15-16页 |
| 2.2 粗糙集理论 | 第16-18页 |
| 2.3 本章总结 | 第18-19页 |
| 第三章 基于压缩感知去噪与支持向量回归的汇率预测模型 | 第19-27页 |
| 3.1 模型建立 | 第19-21页 |
| 3.1.1 压缩感知理论 | 第19-20页 |
| 3.1.2 压缩感知去噪预测模型 | 第20-21页 |
| 3.2 数据模拟 | 第21-24页 |
| 3.2.1 数据描述 | 第21页 |
| 3.2.2 数据处理 | 第21-22页 |
| 3.2.3 评价指标 | 第22-23页 |
| 3.2.4 模型对比与参数选择 | 第23-24页 |
| 3.3 实验结果 | 第24-26页 |
| 3.3.1 压缩感知去噪的有效性 | 第24-25页 |
| 3.3.2 压缩感知去噪的优势 | 第25页 |
| 3.3.3 稳定性分析 | 第25-26页 |
| 3.4 本章总结 | 第26-27页 |
| 第四章 基于邻域粗糙集与属性加权的聚类算法 | 第27-37页 |
| 4.1 模型建立 | 第27-31页 |
| 4.1.1 k-mean聚类 | 第27-28页 |
| 4.1.2 邻域粗糙集 | 第28-29页 |
| 4.1.3 基于粗糙集与属性值分布的聚类改进 | 第29-31页 |
| 4.2 数据实验 | 第31-33页 |
| 4.2.1 数据准备 | 第31-32页 |
| 4.2.2 评价指标 | 第32-33页 |
| 4.3 实验结果 | 第33-35页 |
| 4.3.1 模型稳定性 | 第35页 |
| 4.4 本章总结 | 第35-37页 |
| 总结 | 第37-38页 |
| 参考文献 | 第38-42页 |
| 攻读硕士学位期间取得的研究成果 | 第42-43页 |
| 致谢 | 第43-44页 |
| 附件 | 第44页 |