| 第一章 绪论 | 第1-13页 |
| 1．1 预测学简介 | 第9-10页 |
| 1．2 神经网络的发展及应用 | 第10-12页 |
| 1．3 本文所做的工作 | 第12页 |
| 1．4 本文的结构与安排 | 第12-13页 |
| 第二章 神经网络的结构和算法 | 第13-22页 |
| 2．1 人工神经网络的构成 | 第13-18页 |
| 2．1．1 人工神经元模型 | 第13-14页 |
| 2．1．2 人工神经网络的网络结构 | 第14-15页 |
| 2．1．3 几种常用的神经网络模型 | 第15-18页 |
| 2．2 人工神经网络的学习算法 | 第18-22页 |
| 2．2．1 神经网络的学习方式 | 第18页 |
| 2．2．2 神经网络的学习方法 | 第18-20页 |
| 2．2．3 几种常用的神经网络的学习算法 | 第20-22页 |
| 第三章 神经网络的泛化能力 | 第22-36页 |
| 3．1 泛化能力是神经网络的重要技术指标 | 第22页 |
| 3．2 影响神经网络泛化能力的主要因素 | 第22-23页 |
| 3．3 提高神经网络泛化能力的方法 | 第23-36页 |
| 3．3．1 选择训练策略 | 第23-24页 |
| 3．3．2 优化网络结构 | 第24-27页 |
| 3．3．3 划分子网络 | 第27-28页 |
| 3．3．4 通过主成分分析减少神经网络的输入结点数 | 第28-36页 |
| 第四章 经济预测方法与基于神经网络的智能预测系统 | 第36-51页 |
| 4．1 预测方法 | 第36-42页 |
| 4．1．1 统计预测方法 | 第36-38页 |
| 4．1．2 生长理论曲线预测方法 | 第38-40页 |
| 4．1．3 神经网络预测方法 | 第40-41页 |
| 4．1．4 组合预测方法 | 第41-42页 |
| 4．2 经济预测 | 第42-43页 |
| 4．3 基于神经网络的经济预测方法 | 第43-45页 |
| 4．4 基于神经网络的智能预测系统 | 第45-51页 |
| 4．4．1 预测方法的选择（预测分析） | 第45-46页 |
| 4．4．2 数据的预处理 | 第46-48页 |
| 4．4．2．1 数据插值 | 第46-48页 |
| 4．4．2．2 数据标准化 | 第48页 |
| 4．4．2．3 重新组合横断面数据 | 第48页 |
| 4．4．3 神经网络的选择 | 第48页 |
| 4．4．4 神经网络的结构优化 | 第48页 |
| 4．4．5 选择神经网络的学习算法 | 第48-49页 |
| 4．4．6 选择神经网络的训练策略 | 第49页 |
| 4．4．7 神经网络的校验 | 第49页 |
| 4．4．8 典型算例 | 第49-51页 |
| 第五章 基于神经网络的智能预测系统在失业预测中的应用 | 第51-73页 |
| 5．1 基本分析 | 第52-53页 |
| 5．2 我国失业模型的基本描述 | 第53页 |
| 5．3 原始数据的分析及对数据的预处理 | 第53-54页 |
| 5．3．1 原始数据的分析 | 第53-54页 |
| 5．3．2 对数据的预处理 | 第54页 |
| 5．4 方案一：基于递阶对角神经网络的失业预测模型研究 | 第54-61页 |
| 5．4．1 递阶对角神经网络模型 | 第55-56页 |
| 5．4．1．1 递阶神经网络结构 | 第55-56页 |
| 5．4．1．2 递阶对角神经网络的学习算法 | 第56页 |
| 5．4．2 递阶对角神经网络结构的失业模型 | 第56-61页 |
| 5．4．2．1 递阶对角神经网络结构的失业模型的组成 | 第56-57页 |
| 5．4．2．2 递阶对角神经网络权值的学习与校验 | 第57-59页 |
| 5．4．2．3 用递阶对角神经网络失业模型预测2000年的失业情况 | 第59-61页 |
| 5．5 方案二：基于对角Elman神经网络的失业预测模型研究 | 第61-67页 |
| 5．5．1 递阶对角神经网络模型描述 | 第61-62页 |
| 5．5．2 对角Elman神经网络结构 | 第62-63页 |
| 5．5．2．1 对角Elman神经网络的输入输出描述 | 第62页 |
| 5．5．2．2 对角Elman神经网络的学习算法 | 第62-63页 |
| 5．5．3 对角Elman神经网络结构的失业模型 | 第63-67页 |
| 5．5．3．1 对角Elman神经网络结构的失业模型的组成 | 第63页 |
| 5．5．3．2 对角Elman神经网络权值的学习与校验 | 第63-65页 |
| 5．5．3．3 用对角Elman神经网络失业模型预测2000年的失业情况 | 第65-67页 |
| 5．6 方案三：利用主成分分析降低网络规模再进行预测 | 第67-72页 |
| 5．6．1 神经网络权值的学习与校验 | 第67-70页 |
| 5．6．2 预测2000年的失业情况 | 第70-72页 |
| 5．7 三种方案的预测结果分析 | 第72-73页 |
| 第六章 失业智能预测软件的设计与实现 | 第73-83页 |
| 6．1 设计要求 | 第73页 |
| 6．2 软件界面总体设计 | 第73-74页 |
| 6．3 软件中各项功能描述及界面设计 | 第74-82页 |
| 6．3．1 “数据操作”模块的各项操作 | 第74-76页 |
| 6．3．2 “相关系数”子模块的各项操作 | 第76-77页 |
| 6．3．3 “方案一”模块的各项操作 | 第77-79页 |
| 6．3．4 “方案二”模块的各项操作 | 第79-82页 |
| 6．4 软件编制工具及相关技术 | 第82-83页 |
| 第七章 总结与展望 | 第83-84页 |
| 参考文献 | 第84-86页 |
| 作者在攻读硕士期间发表论文及参加科研情况 | 第86-87页 |
| 感谢 | 第87-88页 |
