| 摘要 | 第1-8页 |
| Abstract | 第8-9页 |
| 插图索引 | 第9-10页 |
| 附表索引 | 第10-11页 |
| 第1章 绪论 | 第11-17页 |
| ·引言 | 第11-12页 |
| ·研究背景 | 第12-13页 |
| ·研究现状 | 第13-14页 |
| ·研究意义 | 第14-15页 |
| ·研究内容 | 第15-16页 |
| ·本文构思 | 第16-17页 |
| 第2章 非平稳时间序列分析 | 第17-32页 |
| ·时间序列概述 | 第17-19页 |
| ·基本数学知识 | 第17-19页 |
| ·时间序列预测 | 第19页 |
| ·平稳时间序列分析方法 | 第19-27页 |
| ·平稳时间序列 | 第19-21页 |
| ·平稳时间序列模型 | 第21-23页 |
| ·平稳时间序列模型的特性 | 第23-26页 |
| ·平稳时间序列模型建立 | 第26-27页 |
| ·非平稳时间序列分析方法 | 第27-30页 |
| ·非平稳时间序列 | 第27-28页 |
| ·非平稳时间序列检验 | 第28页 |
| ·常用的平稳化的方法 | 第28-29页 |
| ·齐次非平稳序列模型 | 第29-30页 |
| ·非平稳时间序列的组合模型 | 第30页 |
| ·结论 | 第30-32页 |
| 第3章 基于小波变换的非平稳时间序列分析方法研究 | 第32-45页 |
| ·小波概论 | 第32-35页 |
| ·小波的发展及应用 | 第32-33页 |
| ·小波的定义 | 第33-35页 |
| ·小波变换 | 第35-41页 |
| ·小波及小波变换原理 | 第35-40页 |
| ·多尺度分析 | 第40-41页 |
| ·Mallat算法的非平稳时间序列分析 | 第41-44页 |
| ·二进正交小波变换Mallat算法原理 | 第41-42页 |
| ·Mallat算法非平稳时间序列分解与重构 | 第42-44页 |
| ·结论 | 第44-45页 |
| 第4章 基于LSSVM的非平稳时间序列预测方法研究 | 第45-66页 |
| ·机器学习概论 | 第45-47页 |
| ·机器学习 | 第45-46页 |
| ·经验风险最小化原理及其局限性 | 第46-47页 |
| ·统计学习理论 | 第47-50页 |
| ·概论 | 第47-48页 |
| ·VC维 | 第48页 |
| ·推广性的界 | 第48-49页 |
| ·结构风险最小化 | 第49-50页 |
| ·支持向量机 | 第50-56页 |
| ·支持向量机的发展及应用 | 第50-51页 |
| ·支持向量机的基本原理 | 第51-53页 |
| ·支持向量机的核函数 | 第53-56页 |
| ·最小二乘支持向量机 | 第56-58页 |
| ·支持向量机的改进 | 第56-57页 |
| ·最小二乘支持向量机基本原理 | 第57-58页 |
| ·基于LSSVM的非平稳时间序列预测方法 | 第58-65页 |
| ·建立训练样本集 | 第58-59页 |
| ·核函数的选取及参数的确定 | 第59-60页 |
| ·预测性能指标 | 第60-61页 |
| ·基于LSSVM预测仿真试验 | 第61-65页 |
| ·结论 | 第65-66页 |
| 第5章 基于小波变换和AR-LSSVM的非平稳时间序列预测方法研究 | 第66-74页 |
| ·方法概论 | 第66页 |
| ·基于Mallat算法的AR-LSSVM预测方法 | 第66-69页 |
| ·方案构思 | 第66-67页 |
| ·算法原理 | 第67-69页 |
| ·基于小波变换和AR-LSSVM的上证指数时间序列预测 | 第69-71页 |
| ·基于小波变换和AR-LSSVM的晶化电特性时间序列预测 | 第71-73页 |
| ·结论 | 第73-74页 |
| 结论与展望 | 第74-76页 |
| 参考文献 | 第76-80页 |
| 致谢 | 第80-81页 |
| 附录A 攻读学位期间所发表的学术论文目录 | 第81-82页 |
| 附录B 数据资料 | 第82-86页 |
| B1.1 Nasdaq金融市场的上证综合指数日收盘价格数据 | 第82-84页 |
| B1.2 非晶材料晶化过程电特性测试数据 | 第84-86页 |
