| 摘要 | 第1-6页 |
| Abstract | 第6-11页 |
| 第一章 前言 | 第11-14页 |
| §1.1 研究动机 | 第11-13页 |
| §1.1.1 智能数据处理理论与方法的发展与现状 | 第11-13页 |
| §1.1.2 组合方法处理不确定性数据样本问题 | 第13页 |
| §1.2 本文结构和主要内容 | 第13-14页 |
| 第二章 粒子群算法理论及其理论分析 | 第14-29页 |
| §2.1 粒子群算法理论 | 第14-21页 |
| §2.1.1 粒子群算法理论的产生与发展 | 第14-16页 |
| §2.1.2 初始的粒子群算法 | 第16-17页 |
| §2.1.3 粒子群算法与其他算法的异同以及粒子群算法特点 | 第17-20页 |
| §2.1.4 粒子群算法的参数设置 | 第20-21页 |
| §2.2 粒子群算法理论分析 | 第21-29页 |
| §2.2.1 一维空间轨迹 | 第21-24页 |
| §2.2.2 多维空间轨迹 | 第24-29页 |
| 第三章 两类预测方法以及发展 | 第29-45页 |
| §3.1 灰色预测模型及其改进 | 第29-36页 |
| §3.1.1 传统灰色模型理论及模型实现 | 第29-34页 |
| §3.1.1.1 灰色模型的产生与发展 | 第29-30页 |
| §3.1.1.2 GM(1,1)模型的建立 | 第30-32页 |
| §3.1.1.3 GM(1,1)模型的修正 | 第32-33页 |
| §3.1.1.4 灰色模型GM(1,1)的适用范围 | 第33-34页 |
| §3.1.2 灰色预测模型的改进—FGM(1,1)灰色模型 | 第34-36页 |
| §3.2 支持向量机模型及其改进 | 第36-45页 |
| §3.2.1 支持向量机模型理论及模型实现 | 第36-41页 |
| §3.2.1.1 统计学习理论 | 第36-37页 |
| §3.2.1.2 支持向量机基本原理 | 第37-41页 |
| §3.2.2 支持向量机多分类问题 | 第41-44页 |
| §3.2.3 支持向量机模型的应用与改进 | 第44-45页 |
| 第四章 粒子群算法优化预测模型 | 第45-53页 |
| §4.1 粒子群算法优化灰色模型 | 第45-46页 |
| §4.2 粒子群算法优化支持向量机模型 | 第46-48页 |
| §4.3 仿真计算 | 第48-53页 |
| 第五章 总结与展望 | 第53-54页 |
| 参考文献 | 第54-61页 |
| 致谢 | 第61页 |
