基于BP神经网络与智能算法的股价预测方法研究
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第10-13页 |
| 1.1 研究背景与研究意义 | 第10页 |
| 1.2 国内外研究现状 | 第10-11页 |
| 1.3 本文主要研究内容 | 第11-12页 |
| 1.4 研究内容与章节安排 | 第12-13页 |
| 第2章 BP神经网络和智能算法 | 第13-37页 |
| 2.1 人工神经网络综述 | 第13-15页 |
| 2.1.1 人工神经网络的定义 | 第13页 |
| 2.1.2 人工神经网络的原理 | 第13-14页 |
| 2.1.3 人工神经网络的种类 | 第14-15页 |
| 2.2 BP神经网络 | 第15-18页 |
| 2.2.1 BP神经网络简介 | 第15页 |
| 2.2.2 BP神经网络原理[15] | 第15-18页 |
| 2.2.3 BP神经网络优化 | 第18页 |
| 2.2.4 BP神经网络不足 | 第18页 |
| 2.3 粒子群算法 | 第18-20页 |
| 2.3.1 粒子群算法简介 | 第18-19页 |
| 2.3.2 粒子群算法流程 | 第19-20页 |
| 2.3.3 粒子群算法优点和不足 | 第20页 |
| 2.4 粒子群算法的改进 | 第20-28页 |
| 2.4.1 前人的工作 | 第20-22页 |
| 2.4.2 本文的改进方法 | 第22页 |
| 2.4.3 测试函数 | 第22-23页 |
| 2.4.4 粒子群算法优化测试 | 第23-28页 |
| 2.5 遗传算法 | 第28-30页 |
| 2.5.1 遗传算法的来源 | 第28页 |
| 2.5.2 遗传算法各组成部分 | 第28-29页 |
| 2.5.3 遗传算法流程 | 第29-30页 |
| 2.6 遗传算法的改进 | 第30-37页 |
| 2.6.1 前人的工作 | 第30页 |
| 2.6.2 本文的改进方法 | 第30-31页 |
| 2.6.3 测试函数 | 第31页 |
| 2.6.4 遗传算法优化测试 | 第31-37页 |
| 第3章 智能算法与BP神经网络的结合 | 第37-50页 |
| 3.1 PSO-BP混合算法 | 第37-39页 |
| 3.1.1 智能算法结合BP神经网络的必要性 | 第37页 |
| 3.1.2 PSO-BP混合算法设计 | 第37-38页 |
| 3.1.3 PSO-BP混合算法实现步骤 | 第38-39页 |
| 3.2 GA-BP混合算法 | 第39-40页 |
| 3.2.1 GA-BP混合算法总体设计 | 第39页 |
| 3.2.2 GA-BP混合算法具体设计 | 第39页 |
| 3.2.3 GA-BP混合算法流程 | 第39-40页 |
| 3.3 PSO、GA串联与BP混合算法 | 第40-42页 |
| 3.3.1 算法流程 | 第41-42页 |
| 3.3.2 算法测试时的变化 | 第42页 |
| 3.4 PSO、GA并联与BP混合算法 | 第42-43页 |
| 3.4.1 算法描述 | 第42-43页 |
| 3.4.2 算法流程 | 第43页 |
| 3.5 PSO、GA串、并联算法测试 | 第43-50页 |
| 3.5.1 测试程序 | 第43-44页 |
| 3.5.2 测试函数 | 第44页 |
| 3.5.3 测试细节 | 第44-50页 |
| 第4章 混合算法预测股价 | 第50-57页 |
| 4.1 预测方法 | 第50页 |
| 4.2 实验环境 | 第50-51页 |
| 4.3 测试结果 | 第51-56页 |
| 4.4 结论 | 第56-57页 |
| 第5章 总结与展望 | 第57-58页 |
| 5.1 总结 | 第57页 |
| 5.2 展望 | 第57-58页 |
| 参考 文献 | 第58-61页 |
| 致谢 | 第61-62页 |
