| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 第一章 绪论 | 第13-38页 |
| 1.1 研究背景和意义 | 第13-17页 |
| 1.2 相关文献研究进展 | 第17-33页 |
| 1.2.1 保险风险模型的研究现状 | 第17-19页 |
| 1.2.2 微分方程求数值解的最新研究进展 | 第19-21页 |
| 1.2.3 有关保险风险处理技术的研究现状 | 第21-25页 |
| 1.2.4 神经网络的发展现状 | 第25-28页 |
| 1.2.5 神经网络结构优化研究进展 | 第28-30页 |
| 1.2.6 神经网络时间序列预测研究进展 | 第30-33页 |
| 1.3 研究内容与论文结构 | 第33-35页 |
| 1.4 主要创新点和不足之处 | 第35-36页 |
| 1.5 研究方法及论文结构 | 第36-38页 |
| 1.5.1 研究方法 | 第36页 |
| 1.5.2 论文结构 | 第36-38页 |
| 第二章 基于改进的ELM算法ERLANG(N)更新风险模型破产概率的计算研究 | 第38-62页 |
| 2.1 引言 | 第38-39页 |
| 2.2 ERLANG(N)风险模型及其更新积分微分方程 | 第39-43页 |
| 2.3 机器学习和极限学习算法 | 第43-45页 |
| 2.4 模型的建立与算法设计原理 | 第45-46页 |
| 2.5 ERLANG(N)风险模型下的ITELM算法实现 | 第46-50页 |
| 2.5.1 Erlang(1)风险模型下的ITELM算法实现 | 第46-49页 |
| 2.5.2 Erlang(2)风险模型下的ITELM算法实现 | 第49-50页 |
| 2.6 ERLANG(1)风险模型下数值实验与分析 | 第50-56页 |
| 2.7 ERLANG(2)风险模型下数值实验与分析 | 第56-61页 |
| 2.7.1 在索赔服从指数分布的情形 | 第56-59页 |
| 2.7.2 赔偿额服从帕累托分布的情形 | 第59-61页 |
| 2.8 本章小结 | 第61-62页 |
| 第三章 基于极限学习机算法优化研究 | 第62-90页 |
| 3.1 引言 | 第62-63页 |
| 3.2 关于ITELM算法性能的研究 | 第63-69页 |
| 3.2.1 关于不同激励函数的ELM算法分析与研究 | 第63-69页 |
| 3.3 神经网络过拟合、泛化能力差、方差高的现象 | 第69-75页 |
| 3.4 神经网络的多目标最优化模型 | 第75-81页 |
| 3.5 关于股指时间序列预测的实证研究 | 第81-87页 |
| 3.6 性能与传统算法的综合比较 | 第87-88页 |
| 3.7 本章小结 | 第88-90页 |
| 第四章 最优神经网络结构下ERLANG(N)风险模型破产概率的计算研究 | 第90-105页 |
| 4.1 引言 | 第90页 |
| 4.2 获取ITELM模型的最优隐藏神经元数量的多目标优化模型 | 第90-93页 |
| 4.3 ERLANG1)风险模型下的最优神经网络结构ITELM算法实现 | 第93-97页 |
| 4.4 ERLANG(2)风险模型下的最优神经网络结构ITELM算法实现 | 第97-104页 |
| 4.4.1 在索赔服从指数分布的情形 | 第98-102页 |
| 4.4.2 在索赔额服从帕累托分布的情况下 | 第102-104页 |
| 4.5 本章小结 | 第104-105页 |
| 第五章 最优神经网络结构下基于ERLANG(N)风险模型破产概率的预测案例 | 第105-115页 |
| 5.1 基于最优结构神经网络的时间序列预测模型与算法 | 第105-108页 |
| 5.2 基于最优结构神经网络的保险公司保费收入预测 | 第108-110页 |
| 5.3 基于最优结构神经网络的保险公司赔付支出预测 | 第110-112页 |
| 5.4 基于风险模型的破产预测案例研究 | 第112页 |
| 5.5 破产概率的计算 | 第112-113页 |
| 5.6 本章小结 | 第113-115页 |
| 总结与展望 | 第115-118页 |
| 总结 | 第115-116页 |
| 展望 | 第116-118页 |
| 参考文献 | 第118-129页 |
| 攻读博士学位期间取得的研究成果 | 第129-131页 |
| 致谢 | 第131-133页 |
| 附件 | 第133页 |
