| 摘要 | 第1-7页 |
| ABSTRACT | 第7-9页 |
| 第一章 绪论 | 第9-20页 |
| ·研究背景与意义 | 第9-10页 |
| ·研究的现状与存在的问题 | 第10-17页 |
| ·主要方法 | 第10-12页 |
| ·主要研究领域 | 第12-16页 |
| ·存在的问题和发展方向 | 第16-17页 |
| ·本文工作 | 第17-20页 |
| ·本文研究目标与方法 | 第17页 |
| ·本文的主要成果 | 第17-18页 |
| ·本文结构 | 第18-20页 |
| 第二章 时间序列模型 | 第20-35页 |
| ·引言 | 第20-22页 |
| ·HMM模型 | 第22-29页 |
| ·HMM的表示 | 第22-23页 |
| ·HMM的典型结构 | 第23-24页 |
| ·HMM的假设 | 第24-25页 |
| ·HMM的基本问题及其算法 | 第25-29页 |
| ·HMM的优点 | 第29页 |
| ·ARMA模型简介 | 第29-32页 |
| ·ARMA模型描述 | 第29-30页 |
| ·ARMA模型序列的特点 | 第30-32页 |
| ·时间序列的识别 | 第32-34页 |
| ·本章小结 | 第34-35页 |
| 第三章 HMM的模型选择 | 第35-55页 |
| ·模型选择准则 | 第36-38页 |
| ·AIC(Akaike’s Information Criterion) | 第36页 |
| ·BIC(Bayesian Information Criterion) | 第36-38页 |
| ·相关工作 | 第38-39页 |
| ·基于聚类和BIC的HMM的模型选择 | 第39-48页 |
| ·CBIC算法的思想 | 第39-45页 |
| ·CBIC算法流程图 | 第45-47页 |
| ·CBIC算法描述 | 第47-48页 |
| ·算法分析 | 第48-49页 |
| ·实验结果及分析 | 第49-54页 |
| ·在合成数据集上的实验 | 第49-54页 |
| ·在实际数据集上的实验 | 第54页 |
| ·本章小结 | 第54-55页 |
| 第四章 基于HMM的时间序列聚类 | 第55-75页 |
| ·引言 | 第55-56页 |
| ·相关工作 | 第56-63页 |
| ·相似性(距离)度量 | 第57-58页 |
| ·聚类算法 | 第58-61页 |
| ·聚类结果的评估 | 第61-63页 |
| ·HBHCTS聚类算法 | 第63-66页 |
| ·HBHCTS算法描述 | 第64-66页 |
| ·HBHCTS算法复杂度分析 | 第66页 |
| ·实验结果 | 第66-74页 |
| ·本章小结 | 第74-75页 |
| 第五章 股票价格序列的预测 | 第75-92页 |
| ·引言 | 第75-76页 |
| ·相关工作 | 第76-79页 |
| ·股票收益率与HMM | 第79-80页 |
| ·基于HMM的时间序列自适应预测 | 第80-84页 |
| ·自适应预测过程 | 第81-83页 |
| ·算法描述 | 第83-84页 |
| ·实验结果 | 第84-90页 |
| ·本章小结 | 第90-92页 |
| 第六章 总结与展望 | 第92-94页 |
| 参考文献 | 第94-108页 |
| 攻读博士学位期间完成的主要工作 | 第108-109页 |
| 致谢 | 第109-110页 |