| 中文摘要 | 第3-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第11-21页 |
| 1.1 数据分析 | 第11-12页 |
| 1.1.1 统计分析 | 第11页 |
| 1.1.2 数据挖掘算法 | 第11-12页 |
| 1.2 预测模型的研究 | 第12-15页 |
| 1.2.1 预测的意义 | 第12页 |
| 1.2.2 预测的合理性 | 第12-14页 |
| 1.2.3 建立预测模型的步骤 | 第14页 |
| 1.2.4 预测性能的评价指标 | 第14-15页 |
| 1.3 国内外研究现状 | 第15-17页 |
| 1.3.1 单变量预测方法 | 第16页 |
| 1.3.2 多变量预测方法 | 第16-17页 |
| 1.4 本文需要解决的关键问题 | 第17-18页 |
| 1.5 研究内容与文章结构 | 第18-20页 |
| 1.6 本文的创新与贡献 | 第20-21页 |
| 第二章 人工智能优化算法的理论基础 | 第21-37页 |
| 2.1 引言 | 第21-22页 |
| 2.2 微分进化算法(DE) | 第22-28页 |
| 2.2.1 预备知识 | 第22-24页 |
| 2.2.2 微分进化算法的Markov链描述 | 第24页 |
| 2.2.3 微分进化算法的收敛性分析 | 第24-28页 |
| 2.3 蚁群算法(ACO) | 第28-32页 |
| 2.3.1 预备知识 | 第28-30页 |
| 2.3.2 分组蚁群算法的Markov链描述 | 第30-31页 |
| 2.3.3 分组蚁群算法的收敛性分析 | 第31-32页 |
| 2.4 布谷鸟搜索算法(CS) | 第32-35页 |
| 2.4.1 预备知识 | 第32页 |
| 2.4.2. 布谷鸟算法的Markov链描述 | 第32-34页 |
| 2.4.3 布谷鸟算法的收敛性分析 | 第34-35页 |
| 2.5 本章小结 | 第35-37页 |
| 第三章 基于人工智能参数估计方法的单变量灰色模型 | 第37-65页 |
| 3.1 引言 | 第37页 |
| 3.2 数据分析 | 第37-38页 |
| 3.2.1 累加生成数据 | 第37-38页 |
| 3.2.2 累减生成数据 | 第38页 |
| 3.3 基于人工智能参数估计方法的简单灰色模型 | 第38-45页 |
| 3.3.1 简单灰色模型 | 第38-39页 |
| 3.3.2 智能优化的简单灰色模型 | 第39-45页 |
| 3.4 基于人工智能参数估计方法的滑动平均灰色模型 | 第45-47页 |
| 3.4.1 滑动平均灰色模型 | 第45页 |
| 3.4.2 智能优化的滑动平均灰色模型 | 第45-47页 |
| 3.5 基于人工智能参数估计方法的非线性伯努利灰色模型 | 第47-54页 |
| 3.5.1 非线性伯努利灰色模型 | 第47-48页 |
| 3.5.2 智能优化的非线性伯努利灰色模型 | 第48-54页 |
| 3.6 实例分析 | 第54-63页 |
| 3.6.1 实验数据 | 第54-55页 |
| 3.6.2 结果分析 | 第55-63页 |
| 3.7 本章小结 | 第63-65页 |
| 第四章 基于人工智能参数估计方法的单变量统计模型 | 第65-99页 |
| 4.1 引言 | 第65-66页 |
| 4.2 数据分析 | 第66-67页 |
| 4.2.1 滑动T检验 | 第66页 |
| 4.2.2. 滑动F检验 | 第66-67页 |
| 4.3 基于人工智能参数估计方法的两参数Weibull分布 | 第67-75页 |
| 4.3.1 预备知识 | 第67页 |
| 4.3.2 Weibull分布的传统参数估计 | 第67-70页 |
| 4.3.3 基于传统估计的Weibull分布的损失函数 | 第70-71页 |
| 4.3.4 基于智能估计的Weibull分布的损失函数 | 第71-72页 |
| 4.3.5 Weibull分布的人工智能估计 | 第72-75页 |
| 4.4 基于人工智能参数估计方法的两参数Lognormal分布 | 第75-80页 |
| 4.4.1 预备知识 | 第75页 |
| 4.4.2 Lognormal分布的传统参数估计 | 第75-77页 |
| 4.4.3 基于传统估计的Lognormal分布的损失函数 | 第77-78页 |
| 4.4.4 基于智能估计的Lognormal分布的损失函数 | 第78-79页 |
| 4.4.5 Lognormal分布的人工智能估计 | 第79-80页 |
| 4.5 基于人工智能参数估计方法的两参数Gamma分布 | 第80-85页 |
| 4.5.1 预备知识 | 第80-81页 |
| 4.5.2 Gamma分布的传统参数估计 | 第81-82页 |
| 4.5.3 基于传统估计的Gamma分布的损失函数 | 第82-83页 |
| 4.5.4 基于智能估计的Gamma分布的损失函数 | 第83-84页 |
| 4.5.5 Gamma分布的人工智能估计 | 第84-85页 |
| 4.6 实例分析 | 第85-98页 |
| 4.6.1 实验数据 | 第85-87页 |
| 4.6.2 结果分析 | 第87-98页 |
| 4.7 本章小结 | 第98-99页 |
| 第五章 基于人工智能参数估计方法的多变量统计模型 | 第99-149页 |
| 5.1 引言 | 第99-100页 |
| 5.2 数据分析 | 第100-102页 |
| 5.2.1 Pearson相关系数 | 第100-101页 |
| 5.2.2 数据挖掘Apriori关联规则算法 | 第101-102页 |
| 5.3 径向基函数(RBF)神经网络 | 第102-108页 |
| 5.3.1 预备知识 | 第102-103页 |
| 5.3.2 RBF神经网络的收敛性 | 第103-107页 |
| 5.3.3 RBF神经网络的参数线性化 | 第107-108页 |
| 5.4 多元线性回归模型 | 第108-110页 |
| 5.4.1 预备知识 | 第108页 |
| 5.4.2 普通最小二乘估计(OLS) | 第108-109页 |
| 5.4.3 统计推断:系数向量的无偏估计性 | 第109-110页 |
| 5.4.4 统计推断:残差方差的无偏估计性 | 第110页 |
| 5.5 基于人工智能参数估计方法的RBF与LASSO结合的预测模型 | 第110-120页 |
| 5.5.1 LASSO估计 | 第110-111页 |
| 5.5.2 LASSO估计在RIP和RE条件下的Oracle性质 | 第111-114页 |
| 5.5.3 基于AIC准则选择调节参数 | 第114-115页 |
| 5.5.4 智能优化的RBF与LASSO结合的预测模型 | 第115-120页 |
| 5.6 基于人工智能参数估计方法的RBF与Hard-ridge结合的预测模型 | 第120-129页 |
| 5.6.1 阈值规则 | 第120-121页 |
| 5.6.2 基于阈值的迭代选择 | 第121-123页 |
| 5.6.3 Hard-ridge惩罚 | 第123-124页 |
| 5.6.4 Hard-ridge惩罚的选择与收缩性 | 第124-126页 |
| 5.6.5 智能优化的RBF与Hard-ridge惩罚结合的预测模型 | 第126-129页 |
| 5.7 实例分析 | 第129-146页 |
| 5.7.1 实验数据 | 第129页 |
| 5.7.2 关联规则分析 | 第129-134页 |
| 5.7.3 基于智能优化的RBF与LASSO结合模型的分析 | 第134-139页 |
| 5.7.4 基于智能优化的RBF与Hard-ridge结合模型的分析 | 第139-146页 |
| 5.8 本章小结 | 第146-149页 |
| 第六章 总结与展望 | 第149-151页 |
| 参考文献 | 第151-157页 |
| 在学期间研究成果 | 第157-159页 |
| 致谢 | 第159页 |
