| 中文摘要 | 第3-5页 |
| 英文摘要 | 第5-7页 |
| 1 绪论 | 第12-28页 |
| 1.1 选题背景及研究意义 | 第12-15页 |
| 1.1.1 选题背景 | 第12-13页 |
| 1.1.2 研究意义 | 第13-15页 |
| 1.2 灰色预测模型研究现状及述评 | 第15-23页 |
| 1.2.1 经典GM(1,1)模型研究现状 | 第15-19页 |
| 1.2.2 基于灰数序列的灰色预测模型研究现状 | 第19-20页 |
| 1.2.3 基于近似非齐次指数序列的灰色预测模型研究现状 | 第20-21页 |
| 1.2.4 GOM(1,1)灰色预测模型研究现状分析 | 第21页 |
| 1.2.5 企业债券融资发展研究现状分析 | 第21-22页 |
| 1.2.6 研究述评 | 第22-23页 |
| 1.3 主要研究内容及创新点 | 第23-26页 |
| 1.3.1 本文研究的主要内容 | 第23-25页 |
| 1.3.2 主要创新之处 | 第25-26页 |
| 1.4 研究方法和技术路线 | 第26-28页 |
| 2 灰色预测模型的相关理论基础 | 第28-36页 |
| 2.1 经典灰色预测模型 | 第28-32页 |
| 2.1.1 GM(1,1)模型 | 第29-30页 |
| 2.1.2 DGM(1,1)模型 | 第30-31页 |
| 2.1.3 GM(1,1)模型与DGM(1,1)模型的关系 | 第31-32页 |
| 2.2 灰色预测模型的误差检验 | 第32-34页 |
| 2.2.1 传统灰色预测模型的误差检验 | 第32-33页 |
| 2.2.2 区间灰数预测模型的误差检验 | 第33-34页 |
| 2.3 本章小结 | 第34-36页 |
| 3 基于信息域和认知程度的改进区间灰数预测模型 | 第36-48页 |
| 3.1 信息域与认知程度的基本概念 | 第36-37页 |
| 3.2 区间灰数预测模型的构建 | 第37-39页 |
| 3.2.1 信息域序列DGM(1,1)模型的构建 | 第37-38页 |
| 3.2.2 认知程度序列DGM(1,1)模型的构建 | 第38页 |
| 3.2.3 改进区间灰数序列预测模型的构建 | 第38-39页 |
| 3.2.4 改进区间灰数序列预测模型的建模流程及步骤 | 第39页 |
| 3.3 城市外来务工人员的数量预测 | 第39-46页 |
| 3.4 本章小结 | 第46-48页 |
| 4 基于区间灰数与离散灰数双重异构序列的预测建模方法研究 | 第48-62页 |
| 4.1“同构序列”与“异构序列”基本概念 | 第48-49页 |
| 4.2“异构序列”向“同构序列”转换 | 第49-50页 |
| 4.2.1“异构序列”向“同构序列”转换路线 | 第49-50页 |
| 4.2.2 信息等价性原理 | 第50页 |
| 4.3 灰数序列预测模型的构建 | 第50-56页 |
| 4.3.1 灰单元格与灰单元层 | 第50-51页 |
| 4.3.2 基于核序列的DGM(1,1)模型 | 第51-52页 |
| 4.3.3 基于灰单元格面积序列的DGM(1,1)模型 | 第52-54页 |
| 4.3.4 离散灰数序列预测模型的构建 | 第54页 |
| 4.3.5 双重异构序列预测模型的建模流程及步骤 | 第54-56页 |
| 4.4 某大桥桥墩沉降数据预测 | 第56-60页 |
| 4.4.1 研究背景 | 第56-57页 |
| 4.4.2 灰色预测模型的构建 | 第57-60页 |
| 4.5 本章小结 | 第60-62页 |
| 5 基于直接估计法的NGM(1,1,k) 模型拓展研究 | 第62-80页 |
| 5.1 NGM(1,1,k) 模型优化 | 第62-67页 |
| 5.1.1 NGM(1,1,k) 模型 | 第62-65页 |
| 5.1.2 NGM(1,1,k) 模型参数估计存在的不足 | 第65页 |
| 5.1.3 NGM(1,1,k) 模型参数的直接估计 | 第65-67页 |
| 5.2 新NGM(1,1,k) 模型性质 | 第67-70页 |
| 5.3 新NGM(1,1,k) 模型的建模步骤 | 第70-71页 |
| 5.4 新NGM(1,1,k) 模型的初始值优化 | 第71-73页 |
| 5.4.1 新NGM(1,1,k) 模型的三种形式 | 第71-72页 |
| 5.4.2 初始值优化的新NGM(1,1,k) 模型 | 第72-73页 |
| 5.4.3 初始值优化的新NGM(1,1,k) 模型参数求解 | 第73页 |
| 5.5 模型性能比较分析 | 第73-78页 |
| 5.6 本章小结 | 第78-80页 |
| 6 基于背景值优化的NGM(1,1,k) 模型研究 | 第80-98页 |
| 6.1 传统NGM(1,1,k) 模型背景值的误差分析 | 第80-81页 |
| 6.2 BNGM(1,1,k) 模型 | 第81-93页 |
| 6.2.1 BNGM(1,1,k) 模型的求解 | 第81-86页 |
| 6.2.2 BNGM(1,1,k) 模型的性质 | 第86-92页 |
| 6.2.3 BNGM(1,1,k) 模型的建模流程及建模步骤 | 第92-93页 |
| 6.3 BNGM(1,1,k) 模型性能分析 | 第93-97页 |
| 6.3.1 算例分析 | 第93-94页 |
| 6.3.2 应用实例 | 第94-97页 |
| 6.4 本章小结 | 第97-98页 |
| 7 基于反向累加生成的灰色NGOM(1,1,k) 模型研究 | 第98-118页 |
| 7.1 灰色GOM (1,1)模型 | 第98-99页 |
| 7.2 灰色NGOM(1,1,k) 模型 | 第99-102页 |
| 7.3 背景值优化的NGOM(1,1,k) 模型 | 第102-114页 |
| 7.3.1 背景值公式的推导 | 第102-107页 |
| 7.3.2 BNGOM(1,1,k )模型的性质 | 第107-113页 |
| 7.3.3 BNGOM(1,1,k) 模型的建模流程及建模步骤 | 第113-114页 |
| 7.4 模型性能比较分析 | 第114-117页 |
| 7.4.1 齐次指数序列算例分析 | 第114-116页 |
| 7.4.2 非齐次指数序列算例分析 | 第116-117页 |
| 7.5 本章小结 | 第117-118页 |
| 8 灰色建模方法在企业债券融资发展趋势预测中的应用 | 第118-140页 |
| 8.1 基于灰色关联分析的企业债券融资影响因素分析 | 第118-126页 |
| 8.1.1 灰色关联模型的概述 | 第118-122页 |
| 8.1.2 企业债券融资影响因素分析 | 第122-123页 |
| 8.1.3 企业债券融资的灰色关联度 | 第123-124页 |
| 8.1.4 企业债券融资的灰色关联分析 | 第124-126页 |
| 8.2 基于灰色预测方法的企业债券融资发展趋势预测分析 | 第126-138页 |
| 8.2.1 灰色关联预测模型 | 第126-127页 |
| 8.2.2 灰色关联组合预测模型的构建 | 第127-131页 |
| 8.2.3 灰色关联组合预测模型的建模流程及建模步骤 | 第131-133页 |
| 8.2.4 企业债券融资发展趋势预测 | 第133-138页 |
| 8.3 本章小结 | 第138-140页 |
| 9 结论与研究展望 | 第140-144页 |
| 9.1 本文结论 | 第140-141页 |
| 9.2 研究展望 | 第141-144页 |
| 致谢 | 第144-146页 |
| 参考文献 | 第146-156页 |
| 附录 | 第156页 |
| A. 作者在攻读博士学位期间发表的论文题目 | 第156页 |
| B. 作者在攻读博士学位期间参与的主要科研项目 | 第156页 |
