| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 目录 | 第6-8页 |
| 图目录 | 第8-9页 |
| 表目录 | 第9-10页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 课题研究背景及意义 | 第10-11页 |
| 1.2 粮食产量预测模型研究的进展 | 第11-13页 |
| 1.2.1 国内粮食产量预测模型的研究进展 | 第11-12页 |
| 1.2.2 国外粮食产量预测模型的研究进展 | 第12-13页 |
| 1.3 粮食产量预测模型研究存在问题及发展方向 | 第13-14页 |
| 1.4 论文的主要研究内容和组织结构 | 第14-16页 |
| 第2章 粮食产量预测的理论基础 | 第16-24页 |
| 2.1 预测的理论基础 | 第16-18页 |
| 2.1.1 预测的类型 | 第16页 |
| 2.1.2 预测步骤 | 第16-17页 |
| 2.1.3 预测误差度量 | 第17-18页 |
| 2.2 本研究的小样本数据性 | 第18-19页 |
| 2.3 面向小样本数据的研究方法 | 第19-22页 |
| 2.3.1 时间序列分析方法 | 第19-20页 |
| 2.3.2 支持向量机预测法 | 第20-21页 |
| 2.3.3 灰色数列预测法 | 第21-22页 |
| 2.3.4 组合预测法 | 第22页 |
| 2.4 本章小结 | 第22-24页 |
| 第3章 GM(1,1)模型和GVM模型在粮食产量预测中的应用 | 第24-32页 |
| 3.1 GM(1,1)预测模型 | 第24-25页 |
| 3.2 灰色Verhulst预测模型(GVM) | 第25-28页 |
| 3.2.1 灰色Verhulst预测模型的背景 | 第25-27页 |
| 3.2.2 灰色Verhulst预测模型的建立 | 第27-28页 |
| 3.3 GM(1,1)模型和GVM模型的粮食产量预测实验 | 第28-31页 |
| 3.4 本章小结 | 第31-32页 |
| 第4章 支持向量机回归分析 | 第32-44页 |
| 4.1 统计学习理论(SLT)原理 | 第32-33页 |
| 4.2 支持向量机回归原理 | 第33-37页 |
| 4.2.1 ε-不敏感损失函数 | 第33-34页 |
| 4.2.2 最优回归超平面 | 第34-36页 |
| 4.2.3 核函数 | 第36-37页 |
| 4.3 ε-支持向量机回归 | 第37-40页 |
| 4.4 v-支持向量机回归 | 第40-42页 |
| 4.4.1 原始最优化问题 | 第40页 |
| 4.4.2 v-支持向量机回归算法 | 第40-42页 |
| 4.5 支持向量机回归模型在粮食产量预测中的应用 | 第42-43页 |
| 4.6 本章小结 | 第43-44页 |
| 第5章 HP-GVSVR组合预测模型在粮食产量预测中的应用 | 第44-52页 |
| 5.1 HP滤波法 | 第44-45页 |
| 5.2 HP-GVSVR组合预测模型的构建 | 第45-47页 |
| 5.3 仿真分析与结果 | 第47-51页 |
| 5.3.1 实验数据来源与实验环境 | 第47-48页 |
| 5.3.2 数据归一化 | 第48页 |
| 5.3.3 支持向量机回归模型选择 | 第48-49页 |
| 5.3.4 基于HP-GVSVR模型的粮食产量预测实验 | 第49-51页 |
| 5.3.5 实验结论 | 第51页 |
| 5.4 本章小结 | 第51-52页 |
| 第6章 总结与展望 | 第52-54页 |
| 6.1 总结 | 第52-53页 |
| 6.2 展望 | 第53-54页 |
| 参考文献 | 第54-58页 |
| 致谢 | 第58-60页 |
| 攻读硕士学位期间论文与科研情况 | 第60页 |
