| 中文摘要 | 第3-4页 |
| 英文摘要 | 第4-5页 |
| 1 绪论 | 第8-14页 |
| 1.1 课题背景 | 第8-9页 |
| 1.2 课题研究内容 | 第9-10页 |
| 1.3 课题研究意义 | 第10页 |
| 1.4 国内外研究现状 | 第10-13页 |
| 1.5 本文组织结构 | 第13-14页 |
| 2 相关技术及研究基础 | 第14-29页 |
| 2.1 人工神经网络 | 第14-19页 |
| 2.1.1 神经元模型 | 第14-16页 |
| 2.1.2 人工神经网络拓扑结构 | 第16-17页 |
| 2.1.3 RBF神经网络模型 | 第17-19页 |
| 2.2 遗传算法 | 第19-22页 |
| 2.2.1 遗传算法基本原理 | 第19-20页 |
| 2.2.2 遗传算法流程图 | 第20-21页 |
| 2.2.3 遗传算法涉及理论与技术 | 第21-22页 |
| 2.3 SVR模型 | 第22-27页 |
| 2.3.1 统计学习理论 | 第22-23页 |
| 2.3.2 支持向量机 | 第23-24页 |
| 2.3.3 支持向量机回归 | 第24-27页 |
| 2.4 马尔可夫链 | 第27-28页 |
| 2.5 本章小结 | 第28-29页 |
| 3 基于单一RBF神经网络模型与SVR模型 | 第29-37页 |
| 3.1 基于RBF神经网络模型 | 第29-33页 |
| 3.1.1 基于RBF神经网络模型的流程 | 第29-30页 |
| 3.1.2 数据预处理 | 第30页 |
| 3.1.3 RBF神经网络参数设置 | 第30-31页 |
| 3.1.4 RBF神经网络模型预测结果 | 第31-33页 |
| 3.2 基于支持向量机回归预测模型 | 第33-36页 |
| 3.2.1 SVR模型流程 | 第34页 |
| 3.2.2 SVR方法的参数设置 | 第34-35页 |
| 3.2.3 SVR模型的预测结果 | 第35-36页 |
| 3.3 本章小结 | 第36-37页 |
| 4 基于GA优化的马尔可夫链的RBF神经网络模型 | 第37-49页 |
| 4.1 基于马尔可夫链优化的RBF神经网络模型 | 第37-41页 |
| 4.2 基于GA优化的马尔可夫链的RBF神经网络模型的流程 | 第41-44页 |
| 4.2.1 GA对马尔可夫链状态划分的优化 | 第42-43页 |
| 4.2.2 马尔可夫链对预测误差的修正 | 第43-44页 |
| 4.3 实验结果分析 | 第44-47页 |
| 4.3.1 基于GA优化的马尔可夫链的RBF神经网络模型实验结果分析 | 第44-45页 |
| 4.3.2 三种模型预测性能对比与分析 | 第45-47页 |
| 4.4 本章小结 | 第47-49页 |
| 5 基于GA优化的马尔可夫链的SVR模型 | 第49-60页 |
| 5.1 基于马尔可夫链优化的SVR模型 | 第50-53页 |
| 5.2 基于GA优化的马尔可夫链的SVR模型的流程 | 第53-55页 |
| 5.2.1 GA优化马尔可夫链状态划分 | 第54-55页 |
| 5.2.2 马尔可夫链对预测误差的修正 | 第55页 |
| 5.3 实验结果分析 | 第55-59页 |
| 5.3.1 基于GA优化的马尔可夫链的SVR模型实验结果分析 | 第55-57页 |
| 5.3.2 模型预测性能对比与分析 | 第57-59页 |
| 5.4 本章小结 | 第59-60页 |
| 6 总结与展望 | 第60-62页 |
| 6.1 工作总结 | 第60页 |
| 6.2 未来的展望 | 第60-62页 |
| 致谢 | 第62-63页 |
| 参考文献 | 第63-67页 |
| 附录 | 第67页 |
| A. 作者在攻读学位期间发表的论文目录 | 第67页 |
