灰色神经网络预测模型的优化研究
| 摘要 | 第1-5页 |
| ABSTRACT | 第5-10页 |
| 第1章 绪论 | 第10-15页 |
| ·研究背景 | 第10-12页 |
| ·灰色系统理论研究现状 | 第10-11页 |
| ·神经网络研究现状 | 第11页 |
| ·组合预测和灰色神经网络组合预测研究现状 | 第11-12页 |
| ·研究目的和意义 | 第12页 |
| ·研究内容和组织结构 | 第12-15页 |
| ·研究内容 | 第12-13页 |
| ·本文的结构安排 | 第13-15页 |
| 第2章 基于灰色理论的灰色预测 | 第15-29页 |
| ·灰色系统概述 | 第15-19页 |
| ·灰色系统的发展 | 第16-17页 |
| ·灰色系统建模理论 | 第17页 |
| ·灰色预测模型 | 第17-18页 |
| ·灰色生成序列的计算 | 第18-19页 |
| ·灰色静态预测模型 | 第19-21页 |
| ·灰色GM(0,N)模型 | 第19-20页 |
| ·灰色GM(0,N)模型的局限性 | 第20-21页 |
| ·灰色动态预测模型 | 第21-28页 |
| ·一阶N维灰色动态模型GM(1,N) | 第21-22页 |
| ·灰色GM(1,1)模型 | 第22-26页 |
| ·GM(1,1)模型的局限性 | 第26页 |
| ·最优初始化新陈代谢GM(1,1)模型 | 第26-28页 |
| ·本章小结 | 第28-29页 |
| 第3章 基于神经网络的神经网络预测 | 第29-41页 |
| ·神经网络概述 | 第29-34页 |
| ·神经网络的发展 | 第29-31页 |
| ·神经网络理论 | 第31-32页 |
| ·神经网络模型 | 第32-34页 |
| ·RBF神经网络 | 第34-37页 |
| ·RBF神经网络的原理 | 第34-36页 |
| ·RBF网络的训练准则和常用算法 | 第36-37页 |
| ·神经网络预测 | 第37-38页 |
| ·样本数据集的选取 | 第37-38页 |
| ·神经网络的训练 | 第38页 |
| ·神经网络预测模型的优化方向 | 第38-40页 |
| ·本章小结 | 第40-41页 |
| 第4章 灰色神经网络预测模型 | 第41-56页 |
| ·灰色系统与神经网络的融合 | 第41-44页 |
| ·组合预测的简介 | 第41页 |
| ·组合预测相对单项预测方法的优势 | 第41-42页 |
| ·灰色预测和神经网络预测的优势互补 | 第42-43页 |
| ·灰色系统与神经网络的结合方式 | 第43-44页 |
| ·灰色神经网络模型的建模方法 | 第44-47页 |
| ·串联灰色系统的神经网络 | 第44-45页 |
| ·并联灰色系统的神经网络 | 第45页 |
| ·嵌入型灰色神经网络 | 第45-46页 |
| ·混合型灰色神经网络 | 第46-47页 |
| ·预测模型建模及应用示例 | 第47-55页 |
| ·SGRBF静态预测模型及其应用实例 | 第47-50页 |
| ·最优初始化的新陈代谢灰色RBF补偿预测模型 | 第50-55页 |
| ·预测模型的应用现状 | 第55页 |
| ·本章小结 | 第55-56页 |
| 第5章 灰色神经网络预测模型的优化研究 | 第56-68页 |
| ·优化的几个方向 | 第56-57页 |
| ·经典智能算法概述 | 第57页 |
| ·遗传算法概述 | 第57-61页 |
| ·遗传算法简介 | 第57-58页 |
| ·遗传算法的构成要素 | 第58-59页 |
| ·遗传算法的基本算法流程 | 第59-61页 |
| ·基于遗传算法优化的灰色RBF模型 | 第61-65页 |
| ·遗传算法优化GM(1,1) | 第61-62页 |
| ·动态GA-GRBF建模 | 第62-65页 |
| ·嵌入型GRBF建模 | 第65页 |
| ·优化预测模型的比较研究 | 第65-67页 |
| ·本章小结 | 第67-68页 |
| 第6章 结论与展望 | 第68-70页 |
| ·总结 | 第68-69页 |
| ·展望 | 第69-70页 |
| 参考文献 | 第70-74页 |
| 致谢 | 第74-75页 |
| 附录 攻读硕士学位期间发表的论文 | 第75页 |
