| 摘要 | 第1-5页 |
| Abstract | 第5-8页 |
| 1 绪论 | 第8-12页 |
| ·研究背景 | 第8-9页 |
| ·研究目的及意义 | 第9页 |
| ·实际使用价值 | 第9页 |
| ·论文的结构设计及主要内容 | 第9-12页 |
| 2 神经网络综述 | 第12-18页 |
| ·神经网络的基本原理 | 第12-15页 |
| ·神经元的基本模型 | 第12-13页 |
| ·神经网络的拓扑结构 | 第13-14页 |
| ·神经网络的基本特性 | 第14-15页 |
| ·BP网络理论 | 第15-16页 |
| ·BP网络模型 | 第15页 |
| ·BP网络的缺陷 | 第15-16页 |
| ·RBF神经网络 | 第16页 |
| ·RBF神经网络结构 | 第16页 |
| ·RBF神经网络的优缺点 | 第16页 |
| ·BP、RBF神经网络应用于股票预测的可行性分析 | 第16-18页 |
| 3 布谷鸟算法及其改进 | 第18-22页 |
| ·布谷鸟算法 | 第18-19页 |
| ·布谷鸟搜索算法（CS）的概述 | 第18页 |
| ·布谷鸟算法的原理介绍 | 第18页 |
| ·CS算法参数的选择 | 第18-19页 |
| ·基于高斯扰动的CS改进算法GCS | 第19-20页 |
| ·CS算法和GCS算法的仿真对比 | 第20-22页 |
| 4 基于PCA的GCS-BP网络的股票预测研究 | 第22-32页 |
| ·数据预处理 | 第22-24页 |
| ·主成分分析的基本原理 | 第22页 |
| ·主成分分析的基本理论 | 第22-23页 |
| ·主成分分析法的基本步骤 | 第23-24页 |
| ·BP网络 | 第24-27页 |
| ·BP网络学习规则 | 第24-27页 |
| ·GCS-BP网络 | 第27-28页 |
| ·BP网络的结构设计 | 第28-30页 |
| ·网络仿真 | 第30-32页 |
| 5 基于GCS-RBF网络的股票预测研究 | 第32-40页 |
| ·径向基神经网络 | 第32页 |
| ·RBF算法设计 | 第32-33页 |
| ·基于PCA-GCS-RBF网络的股票价格预测 | 第33-36页 |
| ·数据的预处理 | 第33页 |
| ·高斯扰动的布谷鸟-RBF 神经网络（GCS-RBF）算法 | 第33-34页 |
| ·网络的设计 | 第34-35页 |
| ·网络仿真 | 第35-36页 |
| ·基于GCS-RBF网络的股票跌涨预测 | 第36-40页 |
| ·数据的预处理 | 第36页 |
| ·GCS-RBF神经网络（GCS-RBF）算法 | 第36-37页 |
| ·网络的设计 | 第37页 |
| ·网络仿真 | 第37-40页 |
| 6 结论 | 第40-42页 |
| 参考文献 | 第42-46页 |
| 附录A | 第46-50页 |
| 附录B | 第50-54页 |
| 附录C | 第54-58页 |
| 作者攻读学位期间发表学术论文清单 | 第58页 |
| 参与的科研项目 | 第58-60页 |
| 致谢 | 第60页 |