| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 1 前言 | 第8-11页 |
| 1.1 研究背景 | 第8-10页 |
| 1.1.1 时间序列分析发展史 | 第8-9页 |
| 1.1.2 人工神经网络发展史 | 第9-10页 |
| 1.2 选题意义 | 第10-11页 |
| 2 时间序列分析与人工神经网络 | 第11-30页 |
| 2.1 时间序列分析 | 第11-14页 |
| 2.2 时间序列分析准备 | 第14页 |
| 2.3 平稳时间序列分析 | 第14-19页 |
| 2.4 非平稳时间序列分析 | 第19-23页 |
| 2.5 传统参数估计方法 | 第23-24页 |
| 2.6 人工神经网络简介 | 第24-25页 |
| 2.7 人工神经网络模型 | 第25-30页 |
| 3 神经网络估计时间序列模型参数 | 第30-41页 |
| 3.1 ARMA(p,q)模型参数估计的BP神经网络方法 | 第30-35页 |
| 3.2 GARCH(p,q)模型参数估计的BP神经网络方法 | 第35-38页 |
| 3.3 ARMA/GARCH模型参数估计的BP神经网络方法优化 | 第38-41页 |
| 4 应用实例 | 第41-60页 |
| 4.1 平稳时间序列应用实例 | 第41-52页 |
| 4.1.1 北京市报纸出版总印数时间序列 | 第41-49页 |
| 4.1.2 澳大利亚季度常住人口时间序列 | 第49-52页 |
| 4.2 非平稳时间序列应用实例 | 第52-60页 |
| 4.2.1 北京市城镇单位在岗职工人数时间序列 | 第52-60页 |
| 5 总结 | 第60-62页 |
| 5.1 结论 | 第60页 |
| 5.2 本文亮点 | 第60-61页 |
| 5.3 不足与改进思路 | 第61-62页 |
| 致谢 | 第62-63页 |
| 参考文献 | 第63-65页 |
| 附录 | 第65-67页 |
