| 中文摘要 | 第1-6页 |
| 英文摘要 | 第6-12页 |
| 一 绪论 | 第12-21页 |
| (一) 引言 | 第12-13页 |
| (二) 常用预测技术及国内外研究现状 | 第13-19页 |
| 1 基于回归分析法的预测技术 | 第14页 |
| 2 基于时间序列分析法的预测技术 | 第14-15页 |
| 3 基于灰色系统理论的预测技术 | 第15页 |
| 4 组合优化预测技术 | 第15-16页 |
| 5 基于神经网络的预测技术 | 第16-18页 |
| 6 基于支持向量机的预测技术 | 第18-19页 |
| (三) 论文的主要内容 | 第19页 |
| (四) 本章小结 | 第19-21页 |
| 二 人工神经网络理论基础 | 第21-31页 |
| (一) 人工神经网络简介 | 第21-22页 |
| (二) 神经网络的模型及作用 | 第22-25页 |
| 1 人工神经元模型 | 第22-24页 |
| 2 人工神经网络模型 | 第24-25页 |
| (三) 人工神经网络的计算原理 | 第25-26页 |
| (四) 人工神经网络的学习过程 | 第26页 |
| (五) 人工神经网络的应用 | 第26-27页 |
| (六) BP神经网络 | 第27-30页 |
| 1 BP神经网络的学习过程 | 第28页 |
| 2 BP算法的缺陷及改进 | 第28-29页 |
| 3 BP神经网络结构的确定 | 第29-30页 |
| (七) 本章小结 | 第30-31页 |
| 三 基于MATLAB的神经网络判别模型 | 第31-41页 |
| (一) 引言 | 第31-33页 |
| (二) BP神经网络判别模型的设计 | 第33-35页 |
| (三) BP网络的学习训练过程 | 第35页 |
| (四) 实例建模及数据分析 | 第35-37页 |
| 1 网络结构的确定 | 第35-36页 |
| 2 样本数据的处理及仿真结果分析 | 第36页 |
| 3 回归分析与相关性分析 | 第36-37页 |
| (五) 与传统判别方法的比较 | 第37-40页 |
| (六) 本章结论 | 第40-41页 |
| 四 灰色系统基本理论 | 第41-46页 |
| (一) 引言 | 第41页 |
| (二) 灰色系统理论的基本概念 | 第41-42页 |
| (三) 灰色系统理论的基本原理 | 第42页 |
| (四) 灰色系统理论的主要内容 | 第42-43页 |
| (五) 灰色序列及其生成方法 | 第43-44页 |
| (六) GM(1,1)灰色预测模型 | 第44页 |
| (七) 灰色关联度分析 | 第44-45页 |
| (八) 本章小结 | 第45-46页 |
| 五 BP神经网络网络结构优化问题的研究 | 第46-54页 |
| (一) 引言 | 第46-47页 |
| (二) BP神经网络模型 | 第47页 |
| (三) 利用灰色关联分析优化网络结构 | 第47-50页 |
| 1 灰色关联分析 | 第48页 |
| 2 灰色关联分析的基本步骤 | 第48-49页 |
| 2．1 求灰关联系数 | 第48-49页 |
| 2．2 灰关联度的计算 | 第49页 |
| 2．3 灰关联度排序 | 第49页 |
| 3 网络的学习训练过程 | 第49-50页 |
| (四) 实例建模 | 第50-53页 |
| 1 样本数据的选取 | 第50-51页 |
| 2 神经网络的学习训练 | 第51-53页 |
| (五) 本章结论 | 第53-54页 |
| 六 基于二次插值的GM(1,1)模型预测方法的改进 | 第54-61页 |
| (一) 引言 | 第54-55页 |
| (二) 传统的GM(1,1)预测模型 | 第55-57页 |
| (三) 传统GM(1,1)预测模型背景值构造所存在的误差及其改进 | 第57页 |
| (四) 基于二次插值的背景值的计算方法 | 第57-58页 |
| (五) 初值的改进 | 第58-59页 |
| (六) 基于二次插值函数的改进算法 | 第59页 |
| (七) 实例应用 | 第59-60页 |
| (八) 本章结论 | 第60-61页 |
| 七 基于灰色支持向量机的新型预测模型 | 第61-74页 |
| (一) 引言 | 第61页 |
| (二) 支持向量机理论的提出 | 第61-63页 |
| (三) 支持向量机原理 | 第63-65页 |
| (四) 支持向量机与人工神经网络 | 第65-66页 |
| (五) 支持向量机研究现状 | 第66-68页 |
| 1 支持向量机的理论研究 | 第66页 |
| 2 支持向量机的训练算法 | 第66-67页 |
| 3 支持向量机的应用研究 | 第67-68页 |
| (六) 支持向量机回归算法 | 第68-70页 |
| (七) 灰色预测方法 | 第70-71页 |
| (八) 灰色支持向量机预测新方法及算法设计 | 第71-72页 |
| (九) 实例分析 | 第72-73页 |
| (十) 本章结论 | 第73-74页 |
| 八 基于灰关联分析的多层次综合评价研究 | 第74-81页 |
| (一) 引言 | 第74-75页 |
| (二) 利用灰关联理论建立多层次综合评价模型 | 第75-79页 |
| 1 灰色关联分析 | 第75页 |
| 2 灰色关联分析的基本步骤 | 第75-76页 |
| 3 定量评价项目风险的灰色关联分析综合评价模型及算法设计 | 第76-79页 |
| (三) 应用实例 | 第79-80页 |
| (四) 本章结论 | 第80-81页 |
| 九 用因子分析法对西部地区的人口素质进行分析评价 | 第81-89页 |
| (一) 前言 | 第81页 |
| (二) 样本数据的选取 | 第81-82页 |
| (三) 因子分析过程 | 第82-87页 |
| 1 样本数据的处理 | 第82-83页 |
| 2 样本方差的解释 | 第83-84页 |
| 3 因子载荷矩阵 | 第84-87页 |
| (四) 本章结论 | 第87-89页 |
| 十 结论 | 第89-92页 |
| (一) 引言 | 第89页 |
| (二) 结论 | 第89-92页 |
| 参考文献 | 第92-98页 |
| 附录 | 第98-104页 |
| 致谢 | 第104-105页 |
| 攻读博士学位期间发表的学术论文 | 第105页 |
