| 第一章 绪论 | 第1-10页 |
| ·课题背景 | 第7-8页 |
| ·本文主要内容 | 第8-10页 |
| 第二章 神经网络技术与股票预测 | 第10-21页 |
| ·人工神经网络简介 | 第10-16页 |
| ·神经网络模型 | 第10-13页 |
| ·网络的拓扑结构 | 第13-14页 |
| ·神经网络的学习模式与学习规则 | 第14-16页 |
| ·人工神经网络的应用 | 第16页 |
| ·股票预测决策研究及应用现状 | 第16-18页 |
| ·股票技术分析方法 | 第16-17页 |
| ·基于统计学理论的预测方法 | 第17页 |
| ·混沌动力学预测 | 第17页 |
| ·基于人工智能技术的股票预测技术 | 第17-18页 |
| ·股票的组合预测方法研究 | 第18页 |
| ·神经网络的预测性 | 第18-21页 |
| ·神经网络预测的常用方法 | 第18-19页 |
| ·神经网络预测的基本步骤 | 第19-21页 |
| 第三章 RBF 神经网络的模型结构与算法 | 第21-36页 |
| ·引言 | 第21页 |
| ·RBF 神经网络的基本结构及数学模型 | 第21-24页 |
| ·RBF 神经网络的一般算法 | 第24-30页 |
| ·RBF 网络的常用算法 | 第24-25页 |
| ·Konhonen 自组织映射算法 | 第25-26页 |
| ·HCM 算法简介 | 第26-29页 |
| ·算法性能评价 | 第29-30页 |
| ·RBF 神经网络的先进学习算法 | 第30-32页 |
| ·RBF 网络的推广能力 | 第32-33页 |
| ·综述 | 第33-36页 |
| 第四章 在线学习算法的研究 | 第36-50页 |
| ·引言 | 第36页 |
| ·一般的在线学习学习算法 | 第36-37页 |
| ·最近邻聚类算法 | 第37-41页 |
| ·算法描述 | 第37-39页 |
| ·算法的实现 | 第39-41页 |
| ·算法的改进 | 第41-47页 |
| ·改进后算法应用于股票价格预测 | 第47-49页 |
| ·小结 | 第49-50页 |
| 第五章 结论与展望 | 第50-51页 |
| ·结论 | 第50页 |
| ·展望 | 第50-51页 |
| 参考文献 | 第51-54页 |
| 中文摘要 | 第54-57页 |
| ·对最近邻聚类学习算法宽度r 的优化 | 第54页 |
| ·基于最近邻聚类学习算法对网络结构的动态调整的改进 | 第54-57页 |
| Abstract | 第57-60页 |
| ·The optimization of width for the nearest neighbor-clustering algorithm | 第57-58页 |
| ·The improvement of the nearest neighbor-clustering algorithm | 第58-60页 |
| 致谢 | 第60-61页 |
| 导师及作者简介 | 第61页 |
