| 摘要 | 第1-6页 |
| Abstract | 第6-10页 |
| 第1章 绪论 | 第10-14页 |
| ·混沌的起源和发展 | 第10-11页 |
| ·混沌时间序列预测的研究现状 | 第11-12页 |
| ·混沌时间序列预测的意义 | 第12-13页 |
| ·论文的主要研究内容和结构安排 | 第13-14页 |
| 第2章 混沌时间序列预测基本理论 | 第14-22页 |
| ·混沌基本理论 | 第14-15页 |
| ·混沌的定义 | 第14-15页 |
| ·混沌的特殊性质 | 第15页 |
| ·混沌辨识方法 | 第15-17页 |
| ·Lyapunov 指数 | 第15-16页 |
| ·关联维数 | 第16-17页 |
| ·Kolmogorov 熵 | 第17页 |
| ·相空间重构理论 | 第17-19页 |
| ·嵌入维数 m 的选择 | 第18-19页 |
| ·延迟时间 的选择 | 第19页 |
| ·粒子群算法 | 第19-21页 |
| ·基本粒子群算法 | 第20-21页 |
| ·粒子群算法的主要参数分析 | 第21页 |
| ·基本粒子群算法缺点 | 第21页 |
| ·本章小结 | 第21-22页 |
| 第3章 PSO 优化 BP 神经网络预测模型 | 第22-38页 |
| ·BP 神经网络模型描述 | 第22-24页 |
| ·BP 神经网络结构 | 第22-23页 |
| ·BP 神经网络学习过程 | 第23-24页 |
| ·基于适应度函数的粒子群算法 | 第24-27页 |
| ·BP 神经网络模型与 PSO 算法缺陷性分析 | 第24-25页 |
| ·基于适应度函数的粒子群算法（IPSO） | 第25-26页 |
| ·收敛性分析 | 第26-27页 |
| ·改进粒子群算法优化 BP 神经网络预测模型 | 第27-28页 |
| ·仿真实验 | 第28-36页 |
| ·实验数据 | 第28-29页 |
| ·预测性能指标 | 第29页 |
| ·实验参数设置 | 第29页 |
| ·仿真结果 | 第29-36页 |
| ·本章小结 | 第36-38页 |
| 第4章 PSO 优化 RBF 神经网络预测模型 | 第38-50页 |
| ·RBF 神经网络模型的描述 | 第38-39页 |
| ·RBF 神经网络结构 | 第38-39页 |
| ·RBF 神经网络学习过程 | 第39页 |
| ·基于混沌初始化及混沌位置扰动的粒子群算法（MPSO） | 第39-41页 |
| ·RBF 神经网络模型与 PSO 算法缺陷性分析 | 第39-40页 |
| ·基于混沌扰动位置的粒子群算法 | 第40-41页 |
| ·改进粒子群算法优化 RBF 神经网络预测模型（MPSO-RBF） | 第41页 |
| ·仿真实验 | 第41-48页 |
| ·本章小结 | 第48-50页 |
| 第5章 PSO 算法优化 SVM 预测模型 | 第50-65页 |
| ·支持向量机的描述 | 第50-54页 |
| ·核方法和统计学习理论 | 第50-52页 |
| ·支持向量机的结构 | 第52-53页 |
| ·核函数选择 | 第53-54页 |
| ·基于混沌扰动惯性权重及学习因子的粒子群算法(CHPSO) | 第54-56页 |
| ·SVM 模型与 PSO 算法缺陷性分析 | 第54页 |
| ·基于混沌扰动惯性权重及学习因子的粒子群算法 | 第54-55页 |
| ·收敛性分析 | 第55-56页 |
| ·改进粒子群优化 SVM 预测模型(CHPSO-SVM) | 第56页 |
| ·仿真实验 | 第56-64页 |
| ·本章小结 | 第64-65页 |
| 结论 | 第65-67页 |
| 参考文献 | 第67-71页 |
| 攻读硕士学位期间承担的科研任务与主要成果 | 第71-72页 |
| 致谢 | 第72-73页 |
| 作者简介 | 第73页 |
