| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 目录 | 第7-9页 |
| 第1章 绪论 | 第9-17页 |
| 1.1 课题的研究目的及意义 | 第9-11页 |
| 1.2 国内外相关技术发展与现状 | 第11-15页 |
| 1.2.1 信息抽取技术概述 | 第11-13页 |
| 1.2.2 金融领域信息的分析方法概述 | 第13-15页 |
| 1.3 本文主要研究内容 | 第15页 |
| 1.4 本文的组织架构 | 第15-17页 |
| 第2章 系统结构与数据抽取 | 第17-31页 |
| 2.1 系统结构 | 第17-20页 |
| 2.2 基于 PDF 表格形式的数据抽取 | 第20-28页 |
| 2.2.1 PDF 解析 | 第20-23页 |
| 2.2.2 PDF 表格信息的识别 | 第23-25页 |
| 2.2.3 PDF 表格的栅格化处理 | 第25-27页 |
| 2.2.4 表格拓扑结构的建立 | 第27-28页 |
| 2.3 数据抽取的评价指标和实验结果 | 第28-29页 |
| 2.4 实验分析与改进 | 第29-30页 |
| 2.5 本章小结 | 第30-31页 |
| 第3章 金融领域新股信息的分析方法 | 第31-43页 |
| 3.1 常见的几种回归算法模型 | 第31-36页 |
| 3.1.1 最大熵模型 | 第31-32页 |
| 3.1.2 SVR 算法模型 | 第32-34页 |
| 3.1.3 BP 神经网络模型 | 第34-36页 |
| 3.2 本文改进的 RBFNN 自适应模型 | 第36-41页 |
| 3.2.1 RBFNN 算法简介 | 第36-37页 |
| 3.2.2 RBFNN 模型的自适应增量学习过程 | 第37-39页 |
| 3.2.3 残差分析及模型调整 | 第39-41页 |
| 3.2.4 RBFNN 模型的残差补偿 | 第41页 |
| 3.3 本章小结 | 第41-43页 |
| 第4章 实验结果分析与系统展示 | 第43-53页 |
| 4.1 数据校验与归一化处理 | 第43-44页 |
| 4.2 实验结果与分析 | 第44-50页 |
| 4.2.1 改进前后 RBFNN 模型的实验结果对比与分析 | 第44-47页 |
| 4.2.2 改进的 RBFNN 模型与其它算法模型的实验结果对比与分析 | 第47-50页 |
| 4.3 系统展示 | 第50-52页 |
| 4.4 本章小结 | 第52-53页 |
| 结论 | 第53-54页 |
| 参考文献 | 第54-61页 |
| 致谢 | 第61页 |