基于最小二乘支持向量机的时态数据预测研究及应用
| 摘要 | 第1-3页 |
| Abstract | 第3-7页 |
| 1 绪论 | 第7-14页 |
| ·论文选题背景及理论意义 | 第7-9页 |
| ·国内外研究现状综述 | 第9-12页 |
| ·国外研究现状综述 | 第9-10页 |
| ·国内研究现状综述 | 第10-12页 |
| ·论文主要内容及创新点 | 第12-14页 |
| ·论文主要内容 | 第12页 |
| ·论文创新点 | 第12-14页 |
| 2 时态数据挖掘概述 | 第14-21页 |
| ·数据挖掘技术 | 第14-15页 |
| ·时态数据挖掘技术 | 第15-18页 |
| ·时态数据 | 第15-16页 |
| ·时态数据挖掘及分类 | 第16-18页 |
| ·时态数据模型 | 第18-21页 |
| ·相关概念及性质 | 第18-19页 |
| ·时态数据模型的构造 | 第19-21页 |
| 3 支持向量机理论概述 | 第21-31页 |
| ·统计学习理论 | 第21-25页 |
| ·机器学习问题的描述 | 第21-23页 |
| ·VC维 | 第23页 |
| ·推广能力的界 | 第23-24页 |
| ·结构风险最小化原理 | 第24-25页 |
| ·最小二乘支持向量机理论 | 第25-31页 |
| ·支持向量机理论 | 第25-28页 |
| ·核函数 | 第28页 |
| ·最小二乘支持向量机理论 | 第28-31页 |
| 4 基于最小二乘支持向量机的时态数据预测模型建立 | 第31-41页 |
| ·LS-SVM预测步骤 | 第31-35页 |
| ·构造数据样本模式及训练参数r&σ~2 | 第32页 |
| ·数据预处理 | 第32-34页 |
| ·参数优化 | 第34页 |
| ·训练LS-SVM模型 | 第34-35页 |
| ·回归预测 | 第35页 |
| ·参数优化 | 第35-39页 |
| ·粒子群优化(PSO)算法 | 第35-38页 |
| ·粒子群算法流程图 | 第38-39页 |
| ·模型构造及评价指标 | 第39-41页 |
| ·模型的构造 | 第39-40页 |
| ·模型的评价指标 | 第40-41页 |
| 5 时态数据预测模型在证券分析中的应用 | 第41-53页 |
| ·数据的选取 | 第41页 |
| ·实验步骤 | 第41-46页 |
| ·实验结果比较分析 | 第46-53页 |
| ·实验结果 | 第46-48页 |
| ·LS-SVM与神经网络预测的比较 | 第48-49页 |
| ·对多组股票时态数据进行预测 | 第49-53页 |
| 结论 | 第53-54页 |
| 参考文献 | 第54-58页 |
| 后记 | 第58-59页 |
