基于RBF神经网络的金融时序列预测研究
| 摘要 | 第1-6页 |
| ABSTRACT | 第6-14页 |
| 第一章 绪论 | 第14-18页 |
| ·选题背景以及意义 | 第14-15页 |
| ·神经网络应用现状 | 第15页 |
| ·论文主要内容以及创新点 | 第15-18页 |
| 第二章 金融时序列以及常用预测方法分析 | 第18-26页 |
| ·金融时序列基础 | 第18-20页 |
| ·时序列概念 | 第18-19页 |
| ·金融时序列特点 | 第19-20页 |
| ·金融时序列预测分析 | 第20-24页 |
| ·自回归模型(AR模型) | 第21页 |
| ·滑动平均模型(MA模型) | 第21-22页 |
| ·自回归移动平均模型(ARMA模型) | 第22页 |
| ·自回归积分移动平均模型(ARIMA模型) | 第22页 |
| ·神经网络预测模型 | 第22-24页 |
| ·本章小结 | 第24-26页 |
| 第三章 神经网络 | 第26-36页 |
| ·神经网络分类 | 第26-28页 |
| ·单层前向网络 | 第26-27页 |
| ·多层前向网络 | 第27页 |
| ·反馈网络 | 第27-28页 |
| ·随机神经网络 | 第28页 |
| ·竞争神经网络 | 第28页 |
| ·神经网络训练规则 | 第28-30页 |
| ·神经网络的应用 | 第30页 |
| ·LMS学习算法 | 第30-31页 |
| ·RBF神经网络 | 第31-34页 |
| ·RBF神经网络概述 | 第33-34页 |
| ·RBF神经网络学习步骤 | 第34页 |
| ·最近邻聚类算法 | 第34-35页 |
| ·本章小结 | 第35-36页 |
| 第四章 改进的RBF神经网络模型 | 第36-42页 |
| ·选取最优的径向基宽度和中心点 | 第36-37页 |
| ·动态调整中心向量的值 | 第37-38页 |
| ·采用均方误差确定最优的径向基宽度 | 第38-39页 |
| ·采用LMS算法调整连接权值 | 第39-40页 |
| ·网络输出 | 第40页 |
| ·本章小结 | 第40-42页 |
| 第五章 基于改进的RBF神经网络的金融时序列预测 | 第42-54页 |
| ·预测方式 | 第42页 |
| ·实验背景 | 第42-44页 |
| ·预测工具介绍 | 第42-44页 |
| ·实验过程 | 第44-49页 |
| ·实验流程 | 第44页 |
| ·实验数据 | 第44-45页 |
| ·预测结果 | 第45-49页 |
| ·算法比较 | 第49-51页 |
| ·系统存在的问题 | 第51-53页 |
| ·本章总结 | 第53-54页 |
| 第六章 解决网络过拟合 | 第54-66页 |
| ·去过拟合的RBF网络 | 第54-59页 |
| ·介绍 | 第54-55页 |
| ·去过拟合网络基函数 | 第55页 |
| ·剔除伪中心的学习过程 | 第55-59页 |
| ·实验分析 | 第59-66页 |
| 第七章 结论 | 第66-68页 |
| 参考文献 | 第68-70页 |
| 致谢 | 第70-72页 |
| 研究成果及发表的学术论文 | 第72-74页 |
| 作者与导师简介 | 第74-75页 |
| 北京化工大学硕士研究生学位论文答辩委员会决议书 | 第75-76页 |
