| 摘要 | 第2-3页 |
| Abstract | 第3-4页 |
| 1 绪论 | 第7-16页 |
| 1.1 研究背景及意义 | 第7-8页 |
| 1.2 时间序列在线预测研究现状 | 第8-14页 |
| 1.2.1 统计学方法 | 第9-10页 |
| 1.2.2 动态神经网络方法 | 第10-11页 |
| 1.2.3 在线支持向量回归方法 | 第11-13页 |
| 1.2.4 核自适应滤波器方法 | 第13-14页 |
| 1.3 论文主要研究内容和结构 | 第14-16页 |
| 2 基于改进稀疏化KRLS方法的时间序列在线预测研究 | 第16-26页 |
| 2.1 KRLS方法及其研究进展 | 第16-19页 |
| 2.1.1 KRLS方法基本原理 | 第16-17页 |
| 2.1.2 KRLS方法的研究进展 | 第17-19页 |
| 2.2 基于自适应归一化稀疏KRLS方法的时间序列在线预测 | 第19-25页 |
| 2.2.1 ALD-KRLS方法 | 第19-21页 |
| 2.2.2 自适应归一化稀疏KRLS方法 | 第21-23页 |
| 2.2.3 ENSO相关指数仿真实例 | 第23-25页 |
| 2.3 本章小结 | 第25-26页 |
| 3 基于改进QKRLS方法的时间序列在线预测研究 | 第26-37页 |
| 3.1 基于QKRLS方法的时间序列在线预测 | 第26-29页 |
| 3.1.1 矢量量化的基本原理 | 第26-27页 |
| 3.1.2 QKRLS方法 | 第27-29页 |
| 3.2 基于自适应归一化稀疏QKRLS方法的时间序列在线预测 | 第29-36页 |
| 3.2.1 自适应归一化稀疏QKRLS方法 | 第30-32页 |
| 3.2.2 Lorenz时间序列和太阳黑子-黄河年径流时间序列仿真实例 | 第32-36页 |
| 3.3 本章小结 | 第36-37页 |
| 4 增强跟踪时变特性能力的改进KRLS方法研究 | 第37-52页 |
| 4.1 基于滑动时间窗口的稀疏KRLS方法研究 | 第37-43页 |
| 4.1.1 滑动时间窗口的基本原理 | 第37-38页 |
| 4.1.2 基于滑动时间窗口的稀疏KRLS方法 | 第38-40页 |
| 4.1.3 大连市气象数据仿真实例 | 第40-43页 |
| 4.2 基于滑动时间窗口的稀疏KOS-ELM方法研究 | 第43-51页 |
| 4.2.1 极限学习机 | 第43-45页 |
| 4.2.2 基于滑动时间窗口的稀疏KOS-ELM方法 | 第45-48页 |
| 4.2.3 Lorenz时间序列仿真实例 | 第48-51页 |
| 4.3 本章小结 | 第51-52页 |
| 结论 | 第52-53页 |
| 参考文献 | 第53-58页 |
| 攻读硕士学位期间参与项目情况 | 第58页 |
| 攻读硕士学位期间发表学术论文情况 | 第58-59页 |
| 致谢 | 第59-61页 |
