| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第一章 绪论 | 第11-15页 |
| 1.1 课题背景及意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-13页 |
| 1.2.1 基于神经网络的时间序列分析研究现状 | 第12页 |
| 1.2.2 基于时序数据的特征学习研究现状 | 第12-13页 |
| 1.3 课题研究内容 | 第13-14页 |
| 1.4 论文结构 | 第14-15页 |
| 第二章 相关技术介绍 | 第15-26页 |
| 2.1 数据挖掘简介 | 第15-16页 |
| 2.2 时间序列简介 | 第16-17页 |
| 2.3 人工神经网络简介 | 第17-20页 |
| 2.3.1 人工神经网络的简介 | 第17页 |
| 2.3.2 人工神经网络的特点 | 第17-18页 |
| 2.3.3 人工神经网络的类型 | 第18-19页 |
| 2.3.4 人工神经网络的学习方法 | 第19-20页 |
| 2.4 时间序列预测算法简介 | 第20-23页 |
| 2.4.1 基于传统的时间序列预测算法 | 第20-22页 |
| 2.4.2 基于人工神经网络的时间序列预测算法 | 第22-23页 |
| 2.5 特征学习算法简介 | 第23-25页 |
| 2.5.1 特征提取算法简介 | 第23-24页 |
| 2.5.2 特征选择算法简介 | 第24-25页 |
| 2.6 本章小结 | 第25-26页 |
| 第三章 基于神经网络的时间序列预测算法研究 | 第26-49页 |
| 3.1 基于Elman神经网络的时间序列预测模型 | 第26-32页 |
| 3.1.1 模型结构 | 第26页 |
| 3.1.2 各层节点数 | 第26-27页 |
| 3.1.3 模型传递函数及初始权值 | 第27-28页 |
| 3.1.4 模型训练算法 | 第28-32页 |
| 3.2 基于改进的Elman神经网络的时间序列预测算法研究 | 第32-37页 |
| 3.2.1 改进的Elman神经网络所依据的理论基础 | 第32-33页 |
| 3.2.2 改进的Elman神经网络训练算法 | 第33-37页 |
| 3.3 实验结果 | 第37-48页 |
| 3.3.1 实验数据 | 第38-42页 |
| 3.3.2 评价方法 | 第42-43页 |
| 3.3.3 实验方案 | 第43-44页 |
| 3.3.4 实验结果分析 | 第44-47页 |
| 3.3.5 实验结论 | 第47-48页 |
| 3.4 本章小结 | 第48-49页 |
| 第四章 互联网金融风险预测模型的研究 | 第49-71页 |
| 4.1 基于时序数据的特征学习模型研究 | 第49-58页 |
| 4.1.1 基于时序数据的特征提取 | 第49-51页 |
| 4.1.2 基于Clamping Network的特征选择算法研究 | 第51-53页 |
| 4.1.3 改进Clamping Network的算法研究 | 第53-55页 |
| 4.1.4 时序数据特征学习模型框架 | 第55-58页 |
| 4.2 互联网金融风险预测模型 | 第58-60页 |
| 4.3 实验结果 | 第60-69页 |
| 4.3.1 实验数据 | 第60-62页 |
| 4.3.2 实验方案 | 第62-64页 |
| 4.3.3 实验结果分析 | 第64-69页 |
| 4.3.4 实验结论 | 第69页 |
| 4.4 本章小结 | 第69-71页 |
| 第五章 互联网金融风险预测系统的设计与实现 | 第71-84页 |
| 5.1 系统介绍与目标 | 第71-72页 |
| 5.1.1 系统介绍 | 第71页 |
| 5.1.2 系统目标 | 第71页 |
| 5.1.3 开发环境 | 第71-72页 |
| 5.2 系统架构与功能模块 | 第72-77页 |
| 5.2.1 系统架构 | 第72-73页 |
| 5.2.2 系统各层功能模块介绍 | 第73-74页 |
| 5.2.3 互联网金融风险预测流程 | 第74-75页 |
| 5.2.4 神经网络类设计 | 第75-77页 |
| 5.3 运行效果 | 第77-82页 |
| 5.4 神经网络实现核心代码 | 第82-83页 |
| 5.5 本章小结 | 第83-84页 |
| 第六章 总结与展望 | 第84-86页 |
| 6.1 总结 | 第84-85页 |
| 6.2 展望 | 第85-86页 |
| 致谢 | 第86-87页 |
| 参考文献 | 第87-91页 |
| 攻硕期间取得的研究成果 | 第91-92页 |
