| 第一章 概述 | 第1-18页 |
| ·多元统计分析概述 | 第12-13页 |
| ·RBF神经网络的研究现状 | 第13-15页 |
| ·多因素时间序列预测研究概况 | 第15-16页 |
| ·本文主要工作和组织结构 | 第16-18页 |
| ·本文主要工作 | 第16页 |
| ·本文组织结构 | 第16-18页 |
| 第二章 基于RBF神经网络的预测模型 | 第18-36页 |
| ·人工神经网络模型概述 | 第18-21页 |
| ·人工神经网络产生的背景 | 第18页 |
| ·人工神经网络的发展过程 | 第18-20页 |
| ·人工神经网络的特点和基本原理 | 第20-21页 |
| ·RBF神经网络基本理论 | 第21-25页 |
| ·径向基函数(RBF) | 第22-23页 |
| ·RBF神经网络结构 | 第23-24页 |
| ·RBF神经网络的映射关系 | 第24页 |
| ·RBF神经网络的映射机理 | 第24-25页 |
| ·RBF神经网络算法概述 | 第25-31页 |
| ·RBF网络中心的确定 | 第25-27页 |
| ·RBF网络权值的调整 | 第27页 |
| ·最近邻聚类学习算法 | 第27-31页 |
| ·基于RBF网络的多因素时间序列预测仿真实验 | 第31-34页 |
| ·RBF网络建模实验分析 | 第31-33页 |
| ·RBF网络和BP网络建模仿真实验比较 | 第33-34页 |
| ·本章小结 | 第34-36页 |
| 第三章 基于GRA的RBF神经网络预测模型的约简 | 第36-43页 |
| ·多因素时间序列的灰色关联分析 | 第36-39页 |
| ·灰色关联度概念 | 第37-38页 |
| ·灰色关联度和关联序计算步骤 | 第38页 |
| ·灰色关联分析的基本特征 | 第38-39页 |
| ·基于GRA的RBF神经网络预测模型的约简 | 第39-40页 |
| ·仿真实验研究 | 第40-42页 |
| ·本章小结 | 第42-43页 |
| 第四章 基于PCA的RBF神经网络预测模型的约简 | 第43-58页 |
| ·多因素时间序列的主成分分析 | 第43-49页 |
| ·主成分的概念 | 第43-44页 |
| ·主成分的几何意义 | 第44-46页 |
| ·主成分分析的性质 | 第46-47页 |
| ·样本主成分计算步骤 | 第47-49页 |
| ·基于PCA的RBF神经网络预测模型的约简 | 第49-51页 |
| ·仿真实验研究 | 第51-57页 |
| ·本章小结 | 第57-58页 |
| 第五章 基于GRA-PCA的RBF神经网络预测模型的约简 | 第58-65页 |
| ·RBF神经网络输入变量约简 | 第58-60页 |
| ·RBF神经网络泛化能力 | 第58-59页 |
| ·多因素时间序列的知识约简 | 第59-60页 |
| ·基于GRA-PCA的RBF神经网络预测模型的约简 | 第60-62页 |
| ·模型设计原理 | 第61页 |
| ·模型设计步骤 | 第61-62页 |
| ·仿真实验研究 | 第62-64页 |
| ·本章小结 | 第64-65页 |
| 第六章 总结及展望 | 第65-67页 |
| ·总结 | 第65-66页 |
| ·进一步研究 | 第66-67页 |
| 参考文献 | 第67-70页 |
| 攻读硕士学位期间发表的论文 | 第70页 |