| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第10-14页 |
| 1.1 选题的背景 | 第10-11页 |
| 1.2 研究内容、目的和意义 | 第11-12页 |
| 1.2.1 本文研究内容 | 第11页 |
| 1.2.2 研究目的和意义 | 第11-12页 |
| 1.3 本文结构安排 | 第12-14页 |
| 第二章 前期数据分析方法 | 第14-18页 |
| 2.1 MICE多重填补方法 | 第14页 |
| 2.2 灰色关联分析的基本理论与计算 | 第14-16页 |
| 2.2.1 基本理论 | 第14-15页 |
| 2.2.2 灰色关联度计算 | 第15-16页 |
| 2.3 Holt-Winters预测的基本理论及方法 | 第16-18页 |
| 2.3.1 Holt-Winters建模基本理论 | 第16-17页 |
| 2.3.2 Holt-Winters预测模型的算法设计 | 第17-18页 |
| 第三章 BP神经网络的理论和实现步骤 | 第18-23页 |
| 3.1 神经网络概述 | 第18-19页 |
| 3.2 BP神经网络结构及学习原理 | 第19-20页 |
| 3.3 BP算法实现步骤 | 第20-22页 |
| 3.4 BP神经网络特点 | 第22-23页 |
| 第四章 支持向量机的理论和实现步骤 | 第23-30页 |
| 4.1 支持向量机理论 | 第23-29页 |
| 4.1.1 结构风险最小化原理 | 第23页 |
| 4.1.2 支持向量机原理 | 第23-26页 |
| 4.1.3 分类及其核函数 | 第26-29页 |
| 4.2 SVM与神经网络的异同 | 第29-30页 |
| 第五章 应用遗传算法优化BP模型和支持向量机模型 | 第30-36页 |
| 5.1 遗传算法的基本策略 | 第30-31页 |
| 5.1.1 遗传算法的特征 | 第30页 |
| 5.1.2 遗传算法的步骤 | 第30-31页 |
| 5.2 遗传算法优化BP网络参数 | 第31-34页 |
| 5.2.1 算法描述 | 第32页 |
| 5.2.2 实现步骤 | 第32-34页 |
| 5.3 遗传算法优化支持向量机模型 | 第34-36页 |
| 5.3.1 SVM理论的应用与不足 | 第34页 |
| 5.3.2 GA-SVM算法的基本思路 | 第34-36页 |
| 第六章 基于BP神经网络和支持向量机的粗钢总消费模型 | 第36-47页 |
| 6.1 粗钢总消费及其预测影响因素的选取 | 第36页 |
| 6.2 数据的预处理 | 第36-37页 |
| 6.3 利用灰色关联度对指标进行筛选 | 第37-38页 |
| 6.4 利用Holt-Winters对各自变量指标的未来值进行预测 | 第38-39页 |
| 6.5 粗钢总消费的BP神经网络预测模型 | 第39-44页 |
| 6.5.1 粗钢总消费预测的智能BP仿真模型 | 第39-42页 |
| 6.5.2 BP神经网络的缺陷及改进 | 第42-44页 |
| 6.6 粗钢总消费的支持向量机预测模型 | 第44-47页 |
| 6.6.1 SVM模型建立思想 | 第44页 |
| 6.6.2 粗钢总消费SVM模型预测 | 第44-47页 |
| 第七章 基于GA-BP神经网络和GA-SVM的预测模型 | 第47-55页 |
| 7.1 基于GA-BP神经网络的粗钢总消费预测模型 | 第47-50页 |
| 7.1.1 GA优化BP网络参数 | 第47页 |
| 7.1.2 实验及仿真结果 | 第47-50页 |
| 7.2 GA-SVM预测模型建立 | 第50-54页 |
| 7.2.1 GA-SVM模型设计 | 第50-51页 |
| 7.2.2 实验及仿真结果 | 第51-54页 |
| 7.3 本章小结 | 第54-55页 |
| 第八章 结论与展望 | 第55-56页 |
| 致谢 | 第56-57页 |
| 参考文献 | 第57-58页 |
