| 第1章 绪论 | 第1-23页 |
| 1．1 预测的意义与预测的基本原理 | 第11-13页 |
| 1．1．1 预测的含义及其重要意义 | 第11页 |
| 1．1．2 预测的基本原理 | 第11-13页 |
| 1．2 时间序列预测的非线性背景和途径及其研究现状 | 第13-21页 |
| 1．2．1 时间序列的传统预测方法 | 第13-15页 |
| 1．2．2 时间序列预测的非线性背景和非线性预测途径 | 第15-17页 |
| 1．2．3 两种非线性时间序列预测方法的研究现状 | 第17-21页 |
| 1．3 本论文的安排 | 第21-23页 |
| 1．3．1 本论文的工作 | 第21页 |
| 1．3．2 本论文的结构 | 第21-23页 |
| 第2章 时间序列的可预测性及其非线性特性判定 | 第23-42页 |
| 2．1 时间序列的可预测性 | 第23-31页 |
| 2．1．1 动力系统的相空间重构 | 第23-24页 |
| 2．1．2 最佳嵌入参数的确定 | 第24-26页 |
| 2．1．3 时间序列的可预测性 | 第26-28页 |
| 2．1．4 应用实例 | 第28-31页 |
| 2．2 时间序列非线性特性的判定 | 第31-42页 |
| 2．2．1 互信息及冗余 | 第32-33页 |
| 2．2．2 冗余的计算 | 第33-34页 |
| 2．2．3 基于冗余的时间序列非线性定性检测方法 | 第34-35页 |
| 2．2．4 非线性检测的定量方法 | 第35-37页 |
| 2．2．5 虚假非线性 | 第37页 |
| 2．2．6 平凡非线性 | 第37-38页 |
| 2．2．7 应用实例 | 第38-42页 |
| 第3章 人工神经网络预测方法基本理论及其改进 | 第42-85页 |
| 3．1 人工神经网络基本理论及网络设计 | 第42-50页 |
| 3．1．1 神经网络的结构和算法 | 第42-48页 |
| 3．1．2 神经网络的设计 | 第48-50页 |
| 3．2 对BP算法的改进 | 第50-62页 |
| 3．2．1 提高收敛速度的方法 | 第51-59页 |
| 3．2．2 局部极小值的处理 | 第59-60页 |
| 3．2．3 网络结构的确定 | 第60-62页 |
| 3．3 基于径向基函数网络的预测方法 | 第62-74页 |
| 3．3．1 径向基函数网络的基本结构 | 第62-66页 |
| 3．3．2 径向基函数网络的改进算法 | 第66-68页 |
| 3．3．3 应用实例 | 第68-73页 |
| 3．3．4 径向基函数网络的局限性 | 第73-74页 |
| 3．4 基于小波神经网络的预测方法 | 第74-82页 |
| 3．4．1 历史背景 | 第74-75页 |
| 3．4．2 小波神经网络的结构及算法 | 第75-79页 |
| 3．4．3 应用实例 | 第79-82页 |
| 3．5 基于小波神经网络的非线性组合预测 | 第82-85页 |
| 3．5．1 非线性组合预测方法的提出 | 第82-83页 |
| 3．5．2 基于小波网络的非线性组合预测方法 | 第83-85页 |
| 第4章 基于混沌吸引子的预测方法 | 第85-102页 |
| 4．1 混沌理论的未来观及其对预测的影响 | 第85-89页 |
| 4．1．1 混沌的起源与发展 | 第85-87页 |
| 4．1．2 混沌的内涵及其未来观 | 第87-88页 |
| 4．1．3 混沌理论的未来观对预测的影响 | 第88-89页 |
| 4．2 混沌的识别 | 第89-96页 |
| 4．2．1 混沌识别的意义 | 第89页 |
| 4．2．2 识别混沌的方法 | 第89-96页 |
| 4．3 基于混沌吸引子的预测方法 | 第96-102页 |
| 4．3．1 基于混沌吸引子的预测方法 | 第96-98页 |
| 4．3．2 改进的基于混沌吸引子的预测方法 | 第98-99页 |
| 4．3．3 基于混沌吸引子的时间序列预测算法 | 第99页 |
| 4．3．4 应用实例 | 第99-100页 |
| 4．3．5 讨论 | 第100-102页 |
| 第5章 预测评价及预测方法的选择 | 第102-105页 |
| 5．1 预测的困难 | 第102-103页 |
| 5．2 预测评价及预测方法选择 | 第103-104页 |
| 5．3 对本论文中两种预测方法的评价 | 第104-105页 |
| 总结与展望 | 第105-109页 |
| 致谢 | 第109-110页 |
| 参考文献 | 第110-118页 |
| 攻读博士学位期间发表的论文及科研情况 | 第118页 |