| 摘要 | 第1-3页 |
| ABSTRACT | 第3-8页 |
| 第一章 引言 | 第8-16页 |
| ·相关研究背景介绍 | 第8-10页 |
| ·预测的有关概念及研究的意义 | 第8页 |
| ·时间序列预测方法的研究 | 第8-10页 |
| ·灰色理论和神经网络组合预测的理论基础 | 第10-12页 |
| ·两种方法的优势互补性 | 第10-11页 |
| ·组合预测相对单项预测方法的优势 | 第11-12页 |
| ·组合预测和灰色神经网络组合预测研究现状 | 第12页 |
| ·问题的提出 | 第12-13页 |
| ·本文主要创新点 | 第13-15页 |
| ·论文主要内容和结构安排 | 第15页 |
| ·本章小结 | 第15-16页 |
| 第二章 基于灰色理论的灰色预测 | 第16-33页 |
| ·灰色理论简介 | 第16-18页 |
| ·灰色系统与灰色预测 | 第16页 |
| ·灰色生成序列的计算 | 第16-18页 |
| ·GM（1，1）模型及检验 | 第18-21页 |
| ·GM(1，1) 的建模过程 | 第18-19页 |
| ·模型检验分析 | 第19-21页 |
| ·GM（1，1）的改进型模型 | 第21-28页 |
| ·基于原始数据技术处理的GM（1，1） | 第21-22页 |
| ·基于最佳定解条件的 GM（1，1） | 第22-23页 |
| ·基于背景值修正的 GM（1，1） | 第23-28页 |
| ·灰色马尔可夫预测 | 第28-32页 |
| ·灰色马尔可夫建模 | 第28-29页 |
| ·灰色马尔可夫预测实例及模型比较分析 | 第29-32页 |
| ·本章小结 | 第32-33页 |
| 第三章 基于神经网络理论的神经网络预测 | 第33-47页 |
| ·神经网络简介 | 第33-34页 |
| ·BP 网络及其学习算法 | 第34-41页 |
| ·BP 网络结构与算法 | 第34-36页 |
| ·BP 算法的不足 | 第36-37页 |
| ·BP 算法的改进及设计技巧 | 第37-41页 |
| ·RBF 网络及其预测应用 | 第41-44页 |
| ·RBF 网络结构 | 第41-42页 |
| ·RBF 网络训练方法 | 第42-44页 |
| ·神经网络预测 | 第44-46页 |
| ·样本数据集的选取 | 第44-45页 |
| ·神经网络的训练 | 第45-46页 |
| ·RBF 网络预测实例 | 第46页 |
| ·本章小结 | 第46-47页 |
| 第四章 等维新息改进型灰色神经网络组合预测 | 第47-56页 |
| ·组合预测简介 | 第47-49页 |
| ·组合预测的引入 | 第47-48页 |
| ·组合预测的优势 | 第48页 |
| ·组合预测分类 | 第48页 |
| ·组合模型优选及最优组合权系数的优选 | 第48-49页 |
| ·等维新息改进型灰色神经网络组合预测 | 第49-55页 |
| ·算法提出的背景 | 第49页 |
| ·算法步骤 | 第49-50页 |
| ·应用实例及分析 | 第50-54页 |
| ·结论 | 第54-55页 |
| ·本章小结 | 第55-56页 |
| 第五章 基于数据修正的改进型灰色神经网络组合与集成预测 | 第56-66页 |
| ·数据的修正和预处理 | 第56-58页 |
| ·数据的修正和预处理提出的背景 | 第56页 |
| ·数据修正和预处理几种常用方法 | 第56-58页 |
| ·基于 RBF 网络的数据的修正和预处理 | 第58-59页 |
| ·失真数据的查找 | 第58页 |
| ·失真数据的修正 | 第58-59页 |
| ·基于数据修正的改进型灰色神经网络组合预测 | 第59-62页 |
| ·算法提出的背景 | 第59-60页 |
| ·算法步骤 | 第60页 |
| ·应用实例及模型对比分析 | 第60-62页 |
| ·基于数据修正的多个灰色神经网络组合和集成预测 | 第62-65页 |
| ·算法步骤 | 第62-63页 |
| ·应用实例与分析 | 第63-65页 |
| ·本章小结 | 第65-66页 |
| 第六章 结论与展望 | 第66-69页 |
| ·结论 | 第66-67页 |
| ·下一步工作 | 第67-69页 |
| 参考文献 | 第69-74页 |
| 致谢 | 第74-75页 |
| 附录 A 攻读硕士学位期间发表的论文和取得的科研成果 | 第75页 |