| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第12-17页 |
| 1.1 研究背景与意义 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-15页 |
| 1.3 论文的主要研究内容及章节安排 | 第15-17页 |
| 1.3.1 主要研究内容 | 第15-16页 |
| 1.3.2 章节安排 | 第16-17页 |
| 第2章 神经网络集成 | 第17-22页 |
| 2.1 神经网络集成的定义 | 第17-18页 |
| 2.2 神经网络集成理论分析 | 第18-21页 |
| 2.3 小结 | 第21-22页 |
| 第3章 基于最低相关度组合的选择性神经网络集成(LCC- SNNE) | 第22-33页 |
| 3.1 基于蜂群算法的神经网络个体 | 第22-27页 |
| 3.1.1 基于随机缺失的子训练样本集 | 第22-23页 |
| 3.1.2 蜂群算法优化神经网络结构及其初始网络权值 | 第23-26页 |
| 3.1.3 基于蜂群算法的神经网络个体生成步骤 | 第26-27页 |
| 3.2 基于 ABC 的定长无序组合优化算法 | 第27-31页 |
| 3.2.1 组合优化问题概述 | 第27-28页 |
| 3.2.2 基于 ABC 的定长无序组合优化算法 | 第28-31页 |
| 3.3 基于最低相关度组合的选择性神经网络集成算法（LCC-SNNE） | 第31-32页 |
| 3.4 小结 | 第32-33页 |
| 第4章 基于最大方差组合的选择性神经网络集成算法(MVC- SNNE) | 第33-37页 |
| 4.1 Bagging 个体生成方法 | 第33-35页 |
| 4.2 最大方差组合 | 第35页 |
| 4.3 MVC- SNNE 算法步骤 | 第35页 |
| 4.4 小结 | 第35-37页 |
| 第5章 建模实验与结果分析 | 第37-52页 |
| 5.1 基于 LCC-SNNE 算法预报建模实验 | 第37-42页 |
| 5.1.1 实验数据 1 | 第37-38页 |
| 5.1.2 实验结果及分析 | 第38-42页 |
| 5.2 基于 MVC-SNNE 算法预报建模实验 | 第42-44页 |
| 5.2.1 实验数据 2 | 第42-44页 |
| 5.3 Bagging 和 Boosting 算法的预报建模实验 | 第44-50页 |
| 5.3.1 Boosting 方法 | 第44-46页 |
| 5.3.3 Bagging 和 Boosting 的差异及参数确定 | 第46-47页 |
| 5.3.4 Bagging 和 Boosting 及单个 BP 网络预报建模结果 | 第47-50页 |
| 5.4 实验结果分析 | 第50-51页 |
| 5.5 本章小结 | 第51-52页 |
| 结论 | 第52-55页 |
| 1. 论文的主要创新点 | 第52-53页 |
| 2．论文的研究结论 | 第53-54页 |
| 3. 下一步工作建议 | 第54-55页 |
| 参考文献 | 第55-59页 |
| 致谢 | 第59-60页 |
| 附录 A（攻读硕士学位期间所发表的学术论文） | 第60-61页 |
| 附录 B（攻读硕士学位期间所参加的科研项目） | 第61页 |
