基于支持向量机的时间序列预测研究
| 目录 | 第1-7页 |
| 摘要 | 第7-8页 |
| Abstract | 第8-9页 |
| 图表索引 | 第9-10页 |
| 第1章 绪论 | 第10-15页 |
| ·引言 | 第10页 |
| ·时间序列预测研究背景 | 第10-11页 |
| ·时间序列预测研究现状 | 第11-13页 |
| ·时间序列预测研究意义 | 第13页 |
| ·主要研究内容和章节安排 | 第13-15页 |
| ·主要研究内容 | 第13-14页 |
| ·章节安排 | 第14-15页 |
| 第2章 时间序列预测方法 | 第15-27页 |
| ·时间序列定义 | 第15-17页 |
| ·时间序列基本数学知识 | 第15-17页 |
| ·时间序列预测模型 | 第17页 |
| ·统计方法 | 第17-20页 |
| ·自回归模型 | 第17-18页 |
| ·滑动平均模型 | 第18-19页 |
| ·自回归滑动平均模型 | 第19-20页 |
| ·灰色预测方法 | 第20-23页 |
| ·灰色系统建模的机理 | 第21页 |
| ·灰色系统模型简介 | 第21-23页 |
| ·神经网络预测方法 | 第23-26页 |
| ·神经元时间序列预测模型 | 第23-24页 |
| ·RBF神经网络时间序列预测 | 第24-26页 |
| ·本章小结 | 第26-27页 |
| 第3章 统计学习理论与支持向量机 | 第27-38页 |
| ·机器学习 | 第27-30页 |
| ·机器学习问题的表示 | 第27-30页 |
| ·经验风险最小化 | 第30页 |
| ·统计学习理论 | 第30-32页 |
| ·VC维 | 第30-31页 |
| ·推广性的界 | 第31页 |
| ·结构风险最小化 | 第31-32页 |
| ·支持向量机基本原理 | 第32-37页 |
| ·最优分类面 | 第33-34页 |
| ·损失函数 | 第34页 |
| ·核函数 | 第34-37页 |
| ·本章小结 | 第37-38页 |
| 第4章 基于支持向量机的时间序列预测 | 第38-48页 |
| ·支持向量回归机 | 第39-42页 |
| ·线性支持向量回归机 | 第39-41页 |
| ·非线性支持向量回归机 | 第41-42页 |
| ·基于支持向量机的时间序列预测模型的设计 | 第42-44页 |
| ·时间序列样本的获取与预处理 | 第43页 |
| ·时间序列预测模型的选取与参数的确定 | 第43-44页 |
| ·时间序列预测评价方法 | 第44页 |
| ·基于支持向量机的时间序列预测仿真实例 | 第44-47页 |
| ·时间序列样本的获取与预处理 | 第44-45页 |
| ·时间序列核函数及参数的选取 | 第45页 |
| ·时间序列预测结果及分析 | 第45-47页 |
| ·本章小结 | 第47-48页 |
| 第5章 基于参数改进的支持向量机时间序列预测 | 第48-58页 |
| ·参数对支持向量机的影响 | 第48页 |
| ·参数的选择方法 | 第48-50页 |
| ·交叉验证法 | 第48-49页 |
| ·经验公式法 | 第49页 |
| ·遗传算法 | 第49-50页 |
| ·混沌优化算法 | 第50页 |
| ·基于粒子群优化的参数选择 | 第50-52页 |
| ·粒子群算法的基本原理 | 第50-51页 |
| ·粒子群算法的数学描述 | 第51-52页 |
| ·基于改进量子粒子群优化的参数选择 | 第52-53页 |
| ·基于量子粒子群优化的参数选择 | 第52页 |
| ·基于改进量子粒子群优化的参数选择 | 第52-53页 |
| ·仿真实例 | 第53-56页 |
| ·本章小结 | 第56-58页 |
| 结论与展望 | 第58-59页 |
| 参考文献 | 第59-63页 |
| 致谢 | 第63-64页 |
| 附录A 攻读学位期间所发表的学术论文目录 | 第64-65页 |
| 附录B 数据资料 | 第65-67页 |
| B.1 上证综合指数日收盘价格数据 | 第65-67页 |
| B.2 太阳黑子数(年度值) | 第67页 |
