基于机器学习的混沌时间序列预测研究及应用
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 符号表 | 第9-11页 |
| 第一章 绪论 | 第11-15页 |
| 1.1 研究背景及意义 | 第11-12页 |
| 1.2 混沌时间序列预测简介 | 第12-13页 |
| 1.3 本文主要研究内容 | 第13-15页 |
| 第二章 混沌时间序列分析 | 第15-41页 |
| 2.1 混沌简介 | 第15-18页 |
| 2.1.1 混沌 | 第15页 |
| 2.1.2 动力系统 | 第15-16页 |
| 2.1.3 相空间 | 第16页 |
| 2.1.4 典型混沌系统 | 第16-18页 |
| 2.1.5 混沌时间序列 | 第18页 |
| 2.2 相空间重构 | 第18-25页 |
| 2.2.1 相空间重构意义 | 第19页 |
| 2.2.2 相空间重构理论基础 | 第19-21页 |
| 2.2.3 延迟时间τ的选取方法 | 第21-23页 |
| 2.2.4 嵌入维数d的选取方法 | 第23-25页 |
| 2.3 机器学习简介 | 第25-34页 |
| 2.3.1 机器学习基本概念 | 第26-28页 |
| 2.3.2 机器学习三要素 | 第28-30页 |
| 2.3.3 模型评估与选择 | 第30-33页 |
| 2.3.4 Python机器学习生态系统 | 第33-34页 |
| 2.4 混沌时间序列预测理论基础 | 第34-39页 |
| 2.4.1 单步预测 | 第34-36页 |
| 2.4.2 多步预测 | 第36-38页 |
| 2.4.3 全局和局部预测法 | 第38-39页 |
| 2.5 混沌时间序列预测步骤 | 第39页 |
| 2.6 本章小结 | 第39-41页 |
| 第三章 混沌时间序列单步预测模型 | 第41-83页 |
| 3.1 基于k近邻法的单步预测模型 | 第41-49页 |
| 3.1.1 k近邻法 | 第41-42页 |
| 3.1.2 k近邻法混沌时间序列预测 | 第42-45页 |
| 3.1.3 k近邻法模型选择 | 第45-49页 |
| 3.2 基于支持向量回归的单步预测模型 | 第49-55页 |
| 3.2.1 支持向量回归 | 第49-53页 |
| 3.2.2 支持向量回归混沌时间序列预测 | 第53页 |
| 3.2.3 支持向量回归模型选择 | 第53-55页 |
| 3.3 基于神经网络的单步预测模型 | 第55-63页 |
| 3.3.1 人工神经网络 | 第55-59页 |
| 3.3.2 前馈网络 | 第59-61页 |
| 3.3.3 神经网络混沌时间序列预测 | 第61页 |
| 3.3.4 神经网络模型选择 | 第61-63页 |
| 3.4 基于多项式回归的单步预测模型 | 第63-67页 |
| 3.4.1 线性回归与多项式回归 | 第63-65页 |
| 3.4.2 多项式回归混沌时间序列预测 | 第65页 |
| 3.4.3 多项式回归模型选择 | 第65-67页 |
| 3.5 基于集成学习的单步预测模型 | 第67-76页 |
| 3.5.1 集成学习 | 第67-68页 |
| 3.5.2 结合策略 | 第68-69页 |
| 3.5.3 Bagging | 第69-70页 |
| 3.5.4 Bagging模型选择 | 第70-72页 |
| 3.5.5 加权平均集成 | 第72-73页 |
| 3.5.6 Stacking模型混沌时间序列预测 | 第73-74页 |
| 3.5.7 Stacking模型选择 | 第74-76页 |
| 3.6 模型比较 | 第76页 |
| 3.7 混沌背景中微弱信号检测 | 第76-80页 |
| 3.7.1 微弱信号 | 第77页 |
| 3.7.2 混沌背景中微弱信号检测原理 | 第77-78页 |
| 3.7.3 微弱信号检测仿真 | 第78-80页 |
| 3.8 太阳黑子数预测 | 第80-81页 |
| 3.9 本章小结 | 第81-83页 |
| 第四章 混沌时间序列多步预测模型 | 第83-95页 |
| 4.1 递归多步预测模型 | 第83-89页 |
| 4.1.1 递归多步预测模型的仿真数据 | 第83-84页 |
| 4.1.2 k-NN递归多步预测 | 第84-86页 |
| 4.1.3 SVR递归多步预测 | 第86-88页 |
| 4.1.4 神经网络递归多步预测 | 第88-89页 |
| 4.2 直接多步预测 | 第89-92页 |
| 4.2.1 直接多步预测的仿真数据 | 第90页 |
| 4.2.2 神经网络直接多步预测 | 第90-92页 |
| 4.3 模型比较 | 第92-93页 |
| 4.3.1 在测试集上的性能比较 | 第93页 |
| 4.3.2 对训练序列之后时刻的预测性能比较 | 第93页 |
| 4.4 本章小结 | 第93-95页 |
| 第五章 总结与展望 | 第95-97页 |
| 5.1 论文总结 | 第95页 |
| 5.2 研究展望 | 第95-97页 |
| 致谢 | 第97-99页 |
| 参考文献 | 第99-101页 |
