| 摘要 | 第5-7页 |
| abstract | 第7-8页 |
| 第1章 绪论 | 第11-25页 |
| 1.1 问题的提出 | 第11页 |
| 1.2 理论依托 | 第11-17页 |
| 1.2.1 数据挖掘的理论基础 | 第11-13页 |
| 1.2.2 时间序列问题的理论基础 | 第13-17页 |
| 1.2.3 支持向量机的理论基础 | 第17页 |
| 1.3 相关技术文献回顾与发展趋势 | 第17-22页 |
| 1.3.1 时间序列问题的现状与趋势 | 第17-19页 |
| 1.3.2 支持向量机及回归模型现状与趋势 | 第19-20页 |
| 1.3.3 智能算法的现状与趋势 | 第20-22页 |
| 1.4 研究目的及论文结构 | 第22-25页 |
| 第2章 经典模型及算法详述 | 第25-39页 |
| 2.1 核模糊聚类算法 | 第25-26页 |
| 2.2 粒子群算法 | 第26-28页 |
| 2.3 支持向量机模型群 | 第28-32页 |
| 2.3.1 支持向量机 | 第28-30页 |
| 2.3.2 支持向量回归机 | 第30-31页 |
| 2.3.3 支持向量回归机的参数 | 第31-32页 |
| 2.4 经典参数智能寻优算法 | 第32-37页 |
| 2.4.1 网格寻优法 | 第32页 |
| 2.4.2 遗传算法寻优 | 第32-33页 |
| 2.4.3 粒子群算法寻优 | 第33-34页 |
| 2.4.4 人工蜂群算法寻优 | 第34-36页 |
| 2.4.5 经典寻优算法优缺点比较 | 第36-37页 |
| 2.5 本章小结 | 第37-39页 |
| 第3章 基于多种群粒子群的SVM预测参数寻优的研究 | 第39-55页 |
| 3.1 改进的核模糊聚类种群分割策略 | 第39-43页 |
| 3.1.1 本部分策略的目的 | 第39-40页 |
| 3.1.2 本部分策略的改进点 | 第40-41页 |
| 3.1.2.1 核模糊聚类算法与粒子群算法的结合方法 | 第40页 |
| 3.1.2.2 基于少量覆盖型的核模糊种群分割方法 | 第40-41页 |
| 3.1.3 本部分策略的步骤 | 第41-42页 |
| 3.1.4 本部分策略的优点 | 第42-43页 |
| 3.2 基于非线性异步动态学习因子的粒子群改进策略 | 第43-46页 |
| 3.2.1 本部分策略的目的 | 第43-44页 |
| 3.2.2 本部分策略的改进点 | 第44-45页 |
| 3.2.3 本部分策略的优点 | 第45-46页 |
| 3.3 基于变异的改进粒子群进化策略 | 第46-48页 |
| 3.3.1 本部分策略的目的 | 第46页 |
| 3.3.2 本部分策略的改进点 | 第46-47页 |
| 3.3.3 本部分策略的步骤 | 第47页 |
| 3.3.4 本部分策略的优点 | 第47-48页 |
| 3.4 以改进点为基础的小论文简述及总结 | 第48-51页 |
| 3.4.1 《基于KFCM-MultiPSO的SVR参数寻优策略》 | 第48-49页 |
| 3.4.2 《NeoKFCM-PG, A New Parameter-optimization Strategy of SVR》 | 第49-51页 |
| 3.5 本文整体改进策略的实现步骤 | 第51-52页 |
| 3.6 本文整体改进策略的优点 | 第52-53页 |
| 3.7 本章小结 | 第53-55页 |
| 第4章 实验与分析 | 第55-77页 |
| 4.1 实验平台及实验说明 | 第55-56页 |
| 4.2 股票数据集实验及分析 | 第56-60页 |
| 4.3 牛奶数据集实验及分析 | 第60-64页 |
| 4.4 Wisconsin数据集实验及分析 | 第64-67页 |
| 4.5 Dow-Jones数据集实验及分析 | 第67-71页 |
| 4.6 Fisher River Mean Daily Temperature 数据集实验及分析 | 第71-74页 |
| 4.7 整体实验分析 | 第74-76页 |
| 4.8 本章小结 | 第76-77页 |
| 结论 | 第77-79页 |
| 参考文献 | 第79-93页 |
| 攻读硕士学位期间发表的论文与科研成果 | 第93-95页 |
| 致谢 | 第95页 |
