| 中文摘要 | 第1-3页 |
| Abstract | 第3-7页 |
| 第一章 绪论 | 第7-14页 |
| ·研究背景及意义 | 第7-8页 |
| ·神经网络的发展及意义 | 第8-9页 |
| ·量子计算的发展和意义 | 第9-11页 |
| ·神经网络在股票市场的应用及发展 | 第11-12页 |
| ·本文主要研究内容 | 第12-14页 |
| 第二章 克隆选择学说及量子计算 | 第14-24页 |
| ·抗体的克隆选择学说概述 | 第14页 |
| ·克隆选择计算 | 第14-17页 |
| ·量子计算原理 | 第17-19页 |
| ·状态的叠加 | 第17-18页 |
| ·状态的相干 | 第18页 |
| ·状态的纠缠 | 第18页 |
| ·量子并行性 | 第18-19页 |
| ·量子进化算法 | 第19-24页 |
| ·量子进化算法介绍 | 第19-20页 |
| ·量子进化算法的基本概念 | 第20页 |
| ·量子进化算法描述 | 第20-24页 |
| 第三章 RBF 神经网络 | 第24-34页 |
| ·RBF 网络概述 | 第24-25页 |
| ·RBF 函数的特点 | 第25页 |
| ·RBF 网络训练的常用算法 | 第25-29页 |
| ·学习网络参数 | 第26-27页 |
| ·学习网络结构 | 第27-29页 |
| ·RBF 网络训练准则 | 第29-30页 |
| ·中心的确定 | 第29-30页 |
| ·宽度的确定 | 第30页 |
| ·RBF 网络的泛化能力 | 第30-33页 |
| ·结构复杂性和样本复杂对RBF 网络泛化能力的影响 | 第30-31页 |
| ·样本质量和数量 | 第31页 |
| ·先验知识 | 第31-32页 |
| ·初始权值 | 第32页 |
| ·训练时间 | 第32-33页 |
| ·RBF 网络的优点及问题 | 第33-34页 |
| 第四章 基于量子克隆进化算法优化的RBF 网络 | 第34-40页 |
| ·量子克隆进化算法 | 第34-37页 |
| ·量子克隆进化算法简介 | 第34-35页 |
| ·量子克隆进化算法的步骤 | 第35页 |
| ·量子克隆进化算法的收敛性 | 第35-37页 |
| ·基于量子克隆进化算法的RBF 网络的构建 | 第37-39页 |
| ·QCGA 网络流程实现 | 第39-40页 |
| 第五章 股市预测模型的建立及MATLAB 仿真 | 第40-53页 |
| ·引言 | 第40-41页 |
| ·股市预测方法 | 第41-42页 |
| ·基于量子克隆进化算法的ＲＢＦ神经网络在股市预测中的应用 | 第42-44页 |
| ·网络预测的基本步骤 | 第42-44页 |
| ·预测模型的拓扑结构 | 第44页 |
| ·上证收盘指数的仿真实验 | 第44-50页 |
| ·样本大小的实验 | 第44-46页 |
| ·旋转变异角的实验 | 第46-50页 |
| ·个股的仿真实验 | 第50-51页 |
| ·股市仿真结果分析 | 第51-53页 |
| 结论及展望 | 第53-55页 |
| 参考文献 | 第55-58页 |
| 致谢 | 第58-59页 |
| 攻读学位期间主要的研究成果目录 | 第59-60页 |
| 附录 QCGA 神经网络源代码 | 第60-67页 |