| 摘要 | 第3-4页 |
| Abstract | 第4页 |
| 第一章 绪论 | 第7-12页 |
| 1.1 选题的背景及意义 | 第7-9页 |
| 1.2 本文研究的主要内容 | 第9页 |
| 1.3 本文采用的主要方法及主要创新点和不足 | 第9-10页 |
| 1.4 相关文献综述 | 第10-12页 |
| 第二章 ECM在农林牧渔业中的应用 | 第12-24页 |
| 2.1 相关概念和理论 | 第12-17页 |
| 2.1.1 时间序列的相关概念 | 第12页 |
| 2.1.2 时间序列的建模步骤 | 第12-13页 |
| 2.1.3 格兰杰因果检验理论 | 第13-14页 |
| 2.1.4 协整理论 | 第14-15页 |
| 2.1.5 Johansen协整检验 | 第15页 |
| 2.1.6 误差修正模型 | 第15-16页 |
| 2.1.7 误差修正模型的优点及预测 | 第16-17页 |
| 2.1.8 模型预测效果的评价指标 | 第17页 |
| 2.2 实证分析 | 第17-24页 |
| 2.2.1 平稳性检验 | 第17-18页 |
| 2.2.2 单整和协整检验 | 第18-20页 |
| 2.2.3 JJ检验和格兰杰(granger)因果检验 | 第20-21页 |
| 2.2.4 误差修正模型的建立 | 第21-24页 |
| 第三章 ARIMA在农林牧渔业中的应用 | 第24-29页 |
| 3.1 差分自回归滑动平均模型(ARIMA)的理论 | 第24-25页 |
| 3.2 ARIMA模型的建模过程 | 第25-26页 |
| 3.3 建立ARIMA模型并预测ZCZ的值 | 第26-29页 |
| 第四章 BP网络在农林牧渔业总产值中的应用 | 第29-35页 |
| 4.1 神经网络的相关理论 | 第29-30页 |
| 4.2 BP(Back Propagation)神经网络(反向传播网络) | 第30-35页 |
| 4.2.1 BP神经网络对ZCZ的预测 | 第32-33页 |
| 4.2.2 ECM、ARIMA、BP神经网络三种模型预测值的比较 | 第33-35页 |
| 第五章 基于PSO的ECM-ARIMA-BP模型 | 第35-38页 |
| 5.1 PSO的相关理论 | 第35-36页 |
| 5.2 用PSO算法确定ECM-ARIMA-BP模型的最优权重 | 第36-38页 |
| 第六章 农林牧渔协调发展的建议和措施 | 第38-40页 |
| 第七章 结论 | 第40-41页 |
| 参考文献 | 第41-42页 |
| 在学期间的研究成果 | 第42-43页 |
| 附录 | 第43-45页 |
| 致谢 | 第45页 |
