| 摘要 | 第8-10页 |
| ABSTRACT | 第10-11页 |
| 第一章 绪论 | 第13-18页 |
| 1.1 研究意义 | 第13-14页 |
| 1.2 文献综述 | 第14-16页 |
| 1.2.1 特征选择方法 | 第14-15页 |
| 1.2.2 极限学习机 | 第15-16页 |
| 1.2.3 基于机器学习的时间序列预测在股市交易中的应用 | 第16页 |
| 1.3 研究目标及方法 | 第16-17页 |
| 1.4 论文结构 | 第17-18页 |
| 第二章 核空间中二分类特征选择框架 | 第18-33页 |
| 2.1 引言 | 第18-19页 |
| 2.2 二分类特征选择框架 | 第19-25页 |
| 2.2.1 K空间的构建 | 第19-20页 |
| 2.2.2 有监督的二分类特征选择 | 第20-21页 |
| 2.2.3 半监督的二分类特征选择 | 第21-23页 |
| 2.2.4 讨论 | 第23-25页 |
| 2.3 理论证明 | 第25-26页 |
| 2.4 实验测评 | 第26-32页 |
| 2.4.1 实验设置 | 第26页 |
| 2.4.2 数据集 | 第26-27页 |
| 2.4.3 性能测度 | 第27页 |
| 2.4.4 实验结果 | 第27-32页 |
| 2.5 本章小结 | 第32-33页 |
| 第三章 快速多核学习方法 | 第33-48页 |
| 3.1 引言 | 第33-34页 |
| 3.2 相关工作 | 第34-36页 |
| 3.2.1 极限学习机 | 第34-36页 |
| 3.2.2 基于核的极限学习机 | 第36页 |
| 3.3 基于距离的多核极限学习机 | 第36-40页 |
| 3.3.1 标签距离 | 第36-37页 |
| 3.3.2 基于距离的多核学习 | 第37-39页 |
| 3.3.3 多核极限学习机 | 第39页 |
| 3.3.4 与TS-MKL方法的联系 | 第39-40页 |
| 3.4 实验测评 | 第40-47页 |
| 3.4.1 实验设置 | 第40-41页 |
| 3.4.2 数据集 | 第41-42页 |
| 3.4.3 参数设置和性能测度 | 第42页 |
| 3.4.4 分类性能 | 第42-43页 |
| 3.4.5 回归性能 | 第43-44页 |
| 3.4.6 多源融合性能 | 第44页 |
| 3.4.7 参数敏感度测试 | 第44-45页 |
| 3.4.8 讨论 | 第45-47页 |
| 3.5 本章小结 | 第47-48页 |
| 第四章 基于时间序列预测的股票交易决策建议系统 | 第48-63页 |
| 4.1 引言 | 第48-50页 |
| 4.2 相关工作 | 第50-52页 |
| 4.2.1 震荡盒理论 | 第50-51页 |
| 4.2.2 灰色相关度 | 第51-52页 |
| 4.3 交易边界模型 | 第52页 |
| 4.4 股票交易决策建议系统 | 第52-57页 |
| 4.4.1 系统结构 | 第52-54页 |
| 4.4.2 数据预处理 | 第54-55页 |
| 4.4.3 时间序列预测 | 第55页 |
| 4.4.4 交易策略 | 第55-57页 |
| 4.5 实验测评 | 第57-62页 |
| 4.5.1 实验设置 | 第57页 |
| 4.5.2 数据集 | 第57页 |
| 4.5.3 参数设置及性能测度 | 第57-58页 |
| 4.5.4 实验结果 | 第58-62页 |
| 4.6 本章小结 | 第62-63页 |
| 第五章 结束语 | 第63-65页 |
| 5.1 工作总结 | 第63-64页 |
| 5.2 工作展望 | 第64-65页 |
| 致谢 | 第65-66页 |
| 参考文献 | 第66-75页 |
| 作者在学期间取得的学术成果 | 第75-76页 |