混沌时间序列预测与储备池机器学习方法研究

摘要	第1-6页
Abstract	第6-12页
第一章 绪论	第12-28页
·问题背景和历史沿革	第12-18页
·混沌学科发展的历史渊源	第12-13页
·混沌序列建模的机器学习方法发展过程	第13-18页
·与储备池方法相关的神经网络方法概述	第18-25页
·前馈神经网络与核方法概述	第18-21页
·动态神经网络和递归神经网络方法的研究现状	第21-24页
·储备池机器学习方法的研究现状	第24-25页
·论文的内容概括和结构安排	第25-28页
第二章 非线性系统的储备池状态空间重建	第28-62页
·引言	第28-29页
·状态空间递归神经网络	第29-35页
·状态空间神经网络的逼近特性	第30-32页
·初始状态的设置问题	第32-33页
·状态空间递归神经网络的梯度下降学习算法	第33-35页
·储备池状态空间神经网络的模型结构	第35-42页
·储备池的结构和常规算法	第35-39页
·常规的状态反馈结构模型	第39页
·带有输出反馈的模型结构	第39-41页
·工作在前馈模式的模型结构	第41-42页
·基于储备池方法的非线性系统建模	第42-52页
·基于储备池技术的非线性系统辨识	第43-45页
·基于储备池技术的混沌时间序列预测	第45-52页
·仿真例子	第52-60页
·非线性动态系统的轨迹学习问题仿真示例	第53-58页
·基于储备池的混沌序列直接预测方法仿真示例	第58-60页
·小结	第60-62页
第三章 基于正则化储备池方法的非线性系统信号处理	第62-94页
·引言	第62-64页
·储备池网络中的不适定问题	第64-67页
·储备池伪逆解的不适定性	第64-66页
·储备池网络的奇异值截断方法	第66-67页
·基于惩罚方法实现的储备池正则化	第67-72页
·储备池网络的原始-岭回归方法	第67-68页
·储备池正则化算法的计算问题	第68-70页
·岭回归与“噪声抖动”方法的关系	第70-71页
·关于正则项系数的确定问题	第71-72页
·含噪声混沌序列预测模型与正则化方法	第72-75页
·正则化储备池方法应用于静态函数逼近	第75-82页
·SinC函数逼近	第75-80页
·标杆回归数据上的仿真结果	第80-82页
·正则化储备池方法应用于动态系统辨识	第82-92页
·混沌时间序列预测	第83-86页
·非线性系统辨识	第86-89页
·时序信号的频率探测	第89-92页
·小结	第92-94页
第四章 一种不依赖核方法的非线性支持向量机	第94-136页
·引言	第94-97页
·核方法在递归支持向量机中存在的问题	第97-99页
·无核非线性支持向量机	第99-109页
·储备池预测模型的泛化误差	第99-101页
·无需核函数替代的储备池对偶岭回归	第101-103页
·无核机解的鲁棒性和稀疏性	第103-106页
·静态储备池和无核前馈支持向量机	第106-109页
·无核机的求解和计算问题	第109-114页
·已有学习算法应用于无核支持向量机	第109-113页
·迭代重加权最小二乘算法	第113-114页
·无核机与传统支持向量机的关系	第114-118页
·无核机与传统支持向量机的区别和联系	第114-116页
·关于无核机规模控制的讨论	第116-118页
·基于无核机的非线性系统仿真例子	第118-134页
·动态递归模式的应用	第118-128页
·静态前馈模式的应用	第128-134页
·小结	第134-136页
第五章 结论与展望	第136-141页
·结论	第136-139页
·分析和建立了混沌时间序列的储备池预测模型	第136-137页
·提出了一种高效的储备池正则化学习方法	第137-138页
·提出了一种不依赖核方法的非线性支持向量机方法	第138-139页
·展望	第139-141页
·储备池的结构和算法研究	第139-140页
·储备池机器学习方法的应用研究	第140-141页
参考文献	第141-151页
附录 主要符号说明	第151-152页
创新点摘要	第152-153页
在学期间发表的学术论文	第153-155页
攻读博士期间参加的基金项目	第155-156页
致谢	第156-157页