支持向量机与RBF神经网络在数据预测模型的应用
| 摘要 | 第1-4页 |
| Abstract | 第4-7页 |
| 第一章 绪论 | 第7-11页 |
| ·人工神经网络概述 | 第7-8页 |
| ·径向基函数神经网络的简介 | 第8页 |
| ·支持向量机的简介 | 第8-9页 |
| ·本文的主要研究内容 | 第9-11页 |
| 第二章 径向基函数神经网络 | 第11-29页 |
| ·径向基函数数学基础 | 第11-15页 |
| ·插值计算 | 第11-12页 |
| ·正则化理论 | 第12-15页 |
| ·径向基函数网络结构 | 第15-19页 |
| ·RBF网络拓扑结构 | 第16页 |
| ·RBF网络元素 | 第16-19页 |
| ·RBF中心向量确定 | 第19-20页 |
| ·RBF算法 | 第20-23页 |
| ·最小二乘的RBF网络训练算法 | 第23-28页 |
| ·最小二乘的RBF网络学习算法 | 第25-26页 |
| ·RBF网络性能分析 | 第26-27页 |
| ·RBF网络算法优化 | 第27-28页 |
| ·本章小结 | 第28-29页 |
| 第三章 支持向量机的理论概述 | 第29-43页 |
| ·统计学习理论 | 第29-32页 |
| ·经验风险最小化准则 | 第29-30页 |
| ·VC维 | 第30-31页 |
| ·结构风险最小化原则 | 第31-32页 |
| ·支持向量机的结构 | 第32页 |
| ·支持向量机基本理论 | 第32-38页 |
| ·线性可分支持向量机 | 第33-36页 |
| ·非线性支持向量机 | 第36-38页 |
| ·回归型支持向量机 | 第38-42页 |
| ·回归问题的数学描述 | 第38页 |
| ·线性回归型支持向量机 | 第38-42页 |
| ·本章小结 | 第42-43页 |
| 第四章 基于LSSVR改进的RBF神经网络模型 | 第43-50页 |
| ·最小二乘支持向量机 | 第43-45页 |
| ·最小二乘支持向量机的求解算法 | 第45-48页 |
| ·共轭梯度算法 | 第45页 |
| ·改进的共轭梯度算法 | 第45-48页 |
| ·基于LSSVR的RBF神经网络建模方法 | 第48-49页 |
| ·本章小结 | 第49-50页 |
| 第五章 基于改进RBF神经网络的股票价格预测 | 第50-58页 |
| ·股票价格预测的方法简介 | 第50-51页 |
| ·基于改进RBF神经网络的预测结果分析 | 第51-54页 |
| ·预测模型的实现 | 第51页 |
| ·股票数据的来源与预处理 | 第51-52页 |
| ·预测结果分析 | 第52-54页 |
| ·对比算法模型的建立 | 第54-56页 |
| ·验证数据的分析 | 第56-57页 |
| ·本章小结 | 第57-58页 |
| 第六章 总结与展望 | 第58-59页 |
| 致谢 | 第59-60页 |
| 参考文献 | 第60-63页 |
| 附录 | 第63-64页 |
| 详细摘要 | 第64-70页 |
