| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第一章 绪论 | 第8-11页 |
| 1.1 引言 | 第8页 |
| 1.2 研究现状 | 第8-9页 |
| 1.3 研究内容与文章结构 | 第9-11页 |
| 第二章 机器学习算法 | 第11-21页 |
| 2.1 k近邻算法 | 第11-12页 |
| 2.1.1 距离度量 | 第11页 |
| 2.1.2 决策规则 | 第11-12页 |
| 2.1.3 k值的选择 | 第12页 |
| 2.2 BP算法与BP神经网络 | 第12-16页 |
| 2.2.1 神经元模型 | 第12-13页 |
| 2.2.2 神经网络 | 第13-14页 |
| 2.2.3 BP算法 | 第14-16页 |
| 2.3 极限学习机 | 第16-19页 |
| 2.4 支持向量机 | 第19-21页 |
| 第三章 分解理论 | 第21-24页 |
| 3.1 季节调整 | 第21-22页 |
| 3.2 经验模态分解 | 第22页 |
| 3.3 集合经验模态分解 | 第22-23页 |
| 3.4 完备集合经验模态分解 | 第23-24页 |
| 第四章 实证研究 | 第24-38页 |
| 4.1 数据与实验环境描述 | 第24-26页 |
| 4.2 模型评价标准 | 第26页 |
| 4.3 单一模型 | 第26-29页 |
| 4.3.1 参数设置 | 第26-27页 |
| 4.3.2 结果分析 | 第27-29页 |
| 4.4 季节调整 | 第29-30页 |
| 4.5 CEEMDAN分解 | 第30页 |
| 4.6 最优集成模型 | 第30-34页 |
| 4.7 模型对比 | 第34-37页 |
| 4.7.1 对比模型1(1-SVM-ELM-BP) | 第34-35页 |
| 4.7.2 对比模型2(2-SVM-ELM) | 第35页 |
| 4.7.3 对比模型3(3-SVM-ELM) | 第35-36页 |
| 4.7.4 模型对比 | 第36-37页 |
| 4.8 文章创新之处 | 第37-38页 |
| 第五章 总结与展望 | 第38-40页 |
| 5.1 总结 | 第38-39页 |
| 5.2 展望 | 第39-40页 |
| 参考文献 | 第40-42页 |
| 致谢 | 第42页 |