| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-15页 |
| 1.1 研究背景和意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-12页 |
| 1.3 本文的主要工作 | 第12页 |
| 1.4 本文的章节结构 | 第12-15页 |
| 第2章 深度学习基础理论 | 第15-35页 |
| 2.1 深度学习简介 | 第15页 |
| 2.2 人工神经网络概述 | 第15-23页 |
| 2.1.1 人工神经元模型与激活函数 | 第15-18页 |
| 2.1.2 人工神经网络结构 | 第18-19页 |
| 2.1.3 BP神经网络 | 第19-22页 |
| 2.1.4 BP神经网络的优缺点分析 | 第22-23页 |
| 2.3 神经网络参数优化算法 | 第23-26页 |
| 2.3.1 梯度下降法 | 第23-24页 |
| 2.3.2 其他优化算法 | 第24-26页 |
| 2.4 循环神经网络(RNN) | 第26-29页 |
| 2.4.1 RNN模型介绍 | 第26-27页 |
| 2.4.2 RNN模型参数求解算法分析 | 第27-28页 |
| 2.4.3 RNN模型的局限性 | 第28-29页 |
| 2.5 长短期记忆模型(LSTM) | 第29-34页 |
| 2.5.1 LSTM模型介绍 | 第29-31页 |
| 2.5.2 LSTM模型参数求解算法分析 | 第31-33页 |
| 2.5.3 LSTM的优势分析 | 第33-34页 |
| 2.6 本章小结 | 第34-35页 |
| 第3章 基于LSTM的股票预测研究 | 第35-49页 |
| 3.1 引言 | 第35页 |
| 3.2 数据预处理 | 第35-37页 |
| 3.3 LSTM股票预测模型构建 | 第37-43页 |
| 3.3.1 模型的输入和输出 | 第37-40页 |
| 3.3.2 激活函数的选择 | 第40-41页 |
| 3.3.3 防止过拟合的方法 | 第41页 |
| 3.3.4 模型训练算法的选择 | 第41-42页 |
| 3.3.5 模型训练结构的优化 | 第42-43页 |
| 3.4 实验设置及结果对比分析 | 第43-48页 |
| 3.4.1 模型评测标准 | 第43页 |
| 3.4.2 试验设置 | 第43-44页 |
| 3.4.3 实验结果分析 | 第44-48页 |
| 3.5 本章小结 | 第48-49页 |
| 第4章 基于LSTM-Ds的股票预测研究 | 第49-57页 |
| 4.1 Adam算法优化 | 第49-51页 |
| 4.2 LSTM-Ds模型介绍 | 第51-53页 |
| 4.2.1 Dropout正则化 | 第51-52页 |
| 4.2.2 LSTM-Ds模型 | 第52-53页 |
| 4.3 试验设置及结果分析 | 第53-56页 |
| 4.3.1 试验设置 | 第53页 |
| 4.3.2 实验结果分析 | 第53-56页 |
| 4.4 本章小结 | 第56-57页 |
| 第5章 基于SAE-LSTM-Ds模型的股票预测研究 | 第57-65页 |
| 5.1 SAE-LSTM-Ds模型介绍 | 第57-61页 |
| 5.1.1 自编码神经网络 | 第57-58页 |
| 5.1.2 逐层贪婪训练法 | 第58页 |
| 5.1.3 栈式自编码神经网络(SAE) | 第58-61页 |
| 5.1.4 SAE-LSTM-Ds模型 | 第61页 |
| 5.2 实验设置及结果对比分析 | 第61-64页 |
| 5.2.1 实验设置 | 第61-62页 |
| 5.2.2 实验结果分析 | 第62-64页 |
| 5.3 本章小结 | 第64-65页 |
| 结论 | 第65-67页 |
| 参考文献 | 第67-71页 |
| 攻读硕士学位期间所发表的学术论文 | 第71-73页 |
| 感谢 | 第73页 |