| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 研究背景、目的和意义 | 第10-12页 |
| 1.1.1 研究背景 | 第10-11页 |
| 1.1.2 研究目的 | 第11页 |
| 1.1.3 研究意义 | 第11-12页 |
| 1.2 国内外混沌时间序列预测研究综述 | 第12-15页 |
| 1.2.1 混沌时间序列预测研究综述 | 第12-13页 |
| 1.2.2 基于SVM的混沌时间序列研究综述 | 第13-15页 |
| 1.3 研究内容及主要创新点 | 第15-16页 |
| 1.3.1 主要研究内容 | 第15页 |
| 1.3.2 主要创新点 | 第15-16页 |
| 第2章 混沌时间序列预测理论基础 | 第16-32页 |
| 2.1 混沌的基本概念 | 第16-22页 |
| 2.1.1 混沌概述 | 第16-17页 |
| 2.1.2 混沌的判定 | 第17-19页 |
| 2.1.3 几种典型混沌系统 | 第19-22页 |
| 2.2 相空间重构理论 | 第22-28页 |
| 2.2.1 相空间重构 | 第22-24页 |
| 2.2.2 相空间重构参数的选取 | 第24-28页 |
| 2.3 混沌时间序列的基本预测方法 | 第28-31页 |
| 2.3.1 全局预测法 | 第28-29页 |
| 2.3.2 局域预测法 | 第29-30页 |
| 2.3.3 自适应预测法 | 第30-31页 |
| 2.4 本章小结 | 第31-32页 |
| 第3章 混沌时间序列的 SVM 预测算法 | 第32-42页 |
| 3.1 统计学习理论 | 第32-36页 |
| 3.1.1 经验风险最小化 | 第32-33页 |
| 3.1.2 VC维 | 第33-34页 |
| 3.1.3 推广的界 | 第34页 |
| 3.1.4 结构风险最小化 | 第34-36页 |
| 3.2 支持向量机 | 第36-41页 |
| 3.2.1 支持向量机的原理 | 第36-39页 |
| 3.2.2 核函数的选择 | 第39页 |
| 3.2.3 支持向量机的预测模型 | 第39-40页 |
| 3.2.4 参数的选取 | 第40-41页 |
| 3.3 本章小结 | 第41-42页 |
| 第4章 基于SVM的混沌时间序列预测 | 第42-52页 |
| 4.1 实验的准备工作 | 第42-43页 |
| 4.1.1 实验的运行环境 | 第42-43页 |
| 4.1.2 SVM参数C和g的选取 | 第43页 |
| 4.1.3 实验步骤 | 第43页 |
| 4.2 仿真实验 | 第43-51页 |
| 4.2.1 logistic混沌时间序列的预测仿真 | 第47页 |
| 4.2.2 lorenz混沌时间序列的预测仿真 | 第47-48页 |
| 4.2.3 henon混沌时间序列的预测仿真 | 第48-49页 |
| 4.2.4 训练样本不同时3种混沌时间序列的预测仿真 | 第49-51页 |
| 4.3 实验结果分析 | 第51页 |
| 4.4 本章小结 | 第51-52页 |
| 第5章 基于SVM的混沌时间序列预测模型的比较 | 第52-62页 |
| 5.1 混沌时间序列的 BP 神经网络预测仿真 | 第52-56页 |
| 5.1.1 BP神经网络的结构 | 第52-53页 |
| 5.1.2 BP神经网络的算法 | 第53-54页 |
| 5.1.3 基于BP神经网络的混沌时间序列实验 | 第54-56页 |
| 5.2 混沌时间序列的RBF神经网络预测仿真 | 第56-60页 |
| 5.2.1 RBF神经网络的结构 | 第56-58页 |
| 5.2.2 RBF神经网络的算法 | 第58页 |
| 5.2.3 基于RBF神经网络的混沌时间序列实验 | 第58-60页 |
| 5.3 3种预测模型的仿真实验结果比较 | 第60-61页 |
| 5.4 本章小结 | 第61-62页 |
| 第6章 结论与展望 | 第62-63页 |
| 参考文献 | 第63-67页 |
| 致谢 | 第67-68页 |
| 攻读学位期间取得的科研成果 | 第68页 |