摘要 | 第1-5页 |
Abstract | 第5-9页 |
1 绪论 | 第9-16页 |
·课题研究背景及意义 | 第9-10页 |
·多变量序列预测的研究现状及主要方法 | 第10-12页 |
·储备池机器学习方法 | 第12-14页 |
·论文主要内容及结构 | 第14-16页 |
2 储备池与多元统计相结合在多变量序列预测中的应用 | 第16-26页 |
·回声状态网络储备池 | 第16-17页 |
·主成分分析方法 | 第17-19页 |
·线性主成分分析方法 | 第17-18页 |
·基于奇异值分解的主成分分析方法 | 第18-19页 |
·储备池主成分分析方法 | 第19-21页 |
·仿真实例 | 第21-25页 |
·预测性能评价指标 | 第21页 |
·Lorenz混沌时间序列预测仿真 | 第21-23页 |
·黄河年径流时间序列预测仿真 | 第23-25页 |
·小结 | 第25-26页 |
3 多元时间序列在线预测方法研究 | 第26-36页 |
·递归神经网络的扩展卡尔曼滤波在线算法 | 第26-28页 |
·基于卡尔曼滤波的储备池多元序列在线预测 | 第28-32页 |
·储备池 KF算法原理 | 第28-29页 |
·储备池 KF算法的收敛性证明 | 第29-32页 |
·储备池 KF算法与递归网络 EKF算法 | 第32页 |
·仿真实例 | 第32-34页 |
·小结 | 第34-36页 |
4 基于储备池方法的鲁棒性研究 | 第36-48页 |
·线性回归技术在储备池中的应用 | 第36-37页 |
·静态储备池鲁棒性研究 | 第37-41页 |
·静态储备池模型的数学表示 | 第37-38页 |
·鲁棒损失函数 | 第38-41页 |
·静态储备池的优化计算 | 第41-42页 |
·Newton优化算法 | 第41-42页 |
·Newton算法中 Hession矩阵的快速计算 | 第42页 |
·仿真实例 | 第42-47页 |
·十组标准数据仿真 | 第43-45页 |
·含奇异点的数据实验仿真 | 第45-47页 |
·小结 | 第47-48页 |
结论 | 第48-50页 |
参考文献 | 第50-55页 |
课题资助情况 | 第55-56页 |
攻读硕士学位期间发表学术论文情况 | 第56-57页 |
致谢 | 第57-58页 |