非经典数学方法在非线性时间序列预测中的应用研究
| 第一章 绪论 | 第1-19页 |
| ·线性与非线性时间序列基本概念 | 第11-14页 |
| ·线性时间序列模型 | 第11-13页 |
| ·非线性时间序列模型 | 第13-14页 |
| ·混沌时间序列及其预测方法 | 第14-17页 |
| ·全域法 | 第15-16页 |
| ·局域法 | 第16页 |
| ·最大Lyapunov 指数的预测法 | 第16-17页 |
| ·时间序列分析用于航空发动机趋势预测的研究现状 | 第17页 |
| ·本文研究内容 | 第17-19页 |
| 第二章 时间序列重构相空间理论 | 第19-28页 |
| ·重构相空间及TAKENS 定理 | 第19-20页 |
| ·时间延迟与嵌入维数的选取 | 第20-23页 |
| ·自相关法和复相关法 | 第20-21页 |
| ·互信息法 | 第21-22页 |
| ·C-C 方法 | 第22-23页 |
| ·嵌入维数的估计 | 第23页 |
| ·非线性系统的最大预测时间 | 第23-28页 |
| ·基于混沌的复杂系统预测的可行性研究 | 第23-25页 |
| ·李雅普诺夫指数 | 第25-27页 |
| ·基于混沌的复杂系统的最大可预测时间 | 第27-28页 |
| 第三章 非线性时间序列的神经网络预测方法 | 第28-43页 |
| ·神经网络非线性时间序列预测原理 | 第28-30页 |
| ·神经网络预测模型的影响参数分析 | 第30-35页 |
| ·神经网络预测精度评价函数 | 第31页 |
| ·输入层节点数和隐层节点数对网络预测精度的影响 | 第31-34页 |
| ·网络训练的MSE 目标值对其预测精度的影响 | 第34-35页 |
| ·结构自适应神经网络预测模型 | 第35-38页 |
| ·遗传算法 | 第35-36页 |
| ·结构自适应BP 神经模型 | 第36-38页 |
| ·算例 | 第38-43页 |
| ·国际标准数据 | 第38-40页 |
| ·模拟数据 | 第40-42页 |
| ·小结 | 第42-43页 |
| 第四章 非线性时间序列的支持向量机预测模型 | 第43-64页 |
| ·神经网络预测方法的缺陷 | 第43-44页 |
| ·支持向量机原理 | 第44-52页 |
| ·统计学习理论 | 第44-45页 |
| ·最优分类面 | 第45-47页 |
| ·广义最优分类面 | 第47-48页 |
| ·支持向量机 | 第48-50页 |
| ·支持向量机回归模型 | 第50-51页 |
| ·支持向量机时间序列预测模型 | 第51-52页 |
| ·支持向量机快速算法 | 第52-59页 |
| ·SMO 算法实现 | 第56页 |
| ·回归SMO 改进算法实现 | 第56-59页 |
| ·基于遗传算法的SVM 预测模型参数优化 | 第59-61页 |
| ·算例 | 第61-64页 |
| ·国际标准数据 | 第61-62页 |
| ·模拟数据 | 第62-63页 |
| ·小结 | 第63-64页 |
| 第五章 非线性时间序列分析在航空趋势预测中的应用 | 第64-79页 |
| ·航空发动机性能参数的预测 | 第64-72页 |
| ·航空发动机光谱油样数据预测 | 第72-76页 |
| ·航空发动机转子碰磨数据 | 第76-79页 |
| 第六章 结论与展望 | 第79-80页 |
| 参考文献 | 第80-84页 |
| 致谢 | 第84-85页 |
| 在学期间研究成果 | 第85页 |
