| 摘要 | 第1-6页 |
| Abstract | 第6-12页 |
| 1 绪论 | 第12-40页 |
| ·多元时间序列的分析方法概述 | 第12-14页 |
| ·多元时间序列的关联分析方法 | 第14-25页 |
| ·多元时间序列的特征提取方法 | 第15-18页 |
| ·多元时间序列的变量选择方法 | 第18-25页 |
| ·多元时间序列的预测方法 | 第25-37页 |
| ·回声状态网络 | 第26-28页 |
| ·回声状态网络的研究现状 | 第28-32页 |
| ·极端学习机 | 第32页 |
| ·极端学习机的研究现状 | 第32-37页 |
| ·回声状态网络和极端学习机的区别和联系 | 第37页 |
| ·论文的内容概括和结构安排 | 第37-40页 |
| 2 稀疏前向正交模型和1范数极端学习机 | 第40-82页 |
| ·引言 | 第40-41页 |
| ·线性参数模型及PRESS统计 | 第41-43页 |
| ·线性参数模型 | 第41-42页 |
| ·PRESS统计 | 第42-43页 |
| ·基于奇异值分解的稀疏前向正交模型 | 第43-48页 |
| ·模型结构设计 | 第43-46页 |
| ·算法的实现步骤 | 第46页 |
| ·计算复杂度分析 | 第46-48页 |
| ·仿真实例1 | 第48-54页 |
| ·SinC函数 | 第48-50页 |
| ·非线性动态控制系统 | 第50-54页 |
| ·基于1范数正则化的改进型ELM算法 | 第54-57页 |
| ·极端学习机(Extreme learning machine,ELM) | 第54-55页 |
| ·基于1范数正则化的改进型极端学习机算法 | 第55-56页 |
| ·1范数正则化的模型结构优化原理 | 第56-57页 |
| ·基于替代函数和贝叶斯理论的1范数正则化求解方法 | 第57-63页 |
| ·替代函数 | 第57-59页 |
| ·参数求解 | 第59-62页 |
| ·N1-ELM方法对解的性质的影响 | 第62页 |
| ·N1-ELM方法的实现步骤 | 第62-63页 |
| ·仿真实例2 | 第63-69页 |
| ·SinC函数 | 第63-66页 |
| ·标杆数据 | 第66-69页 |
| ·1范数极端学习机的快速结构优化算法 | 第69-74页 |
| ·基于局部正则化的改进型1范数极端学习机 | 第70页 |
| ·1范数极端学习机的快速结构优化算法 | 第70-74页 |
| ·FN1-ELM方法的实现步骤 | 第74页 |
| ·仿真实例3 | 第74-80页 |
| ·结论 | 第80-82页 |
| 3 稀疏核密度估计及几种改进的模型输入变量选择方法 | 第82-124页 |
| ·引言 | 第82-84页 |
| ·基于1范数ELM的概率密度估计方法 | 第84-88页 |
| ·稀疏核密度估计方法 | 第84-85页 |
| ·基于1范数极端学习机的概率密度估计方法 | 第85-87页 |
| ·基于BN1-ELM的参数求解 | 第87-88页 |
| ·BN1-ELM密度估计方法的实现步骤 | 第88页 |
| ·仿真实验1 | 第88-97页 |
| ·一维混合分布(一维高斯混合分布、高斯-拉普拉斯混合分布) | 第89-93页 |
| ·二维混合分布(二维高斯混合分布、高斯-拉普拉斯混合分布) | 第93-97页 |
| ·Naive变量选择方法 | 第97-98页 |
| ·基本原理 | 第97-98页 |
| ·存在的问题 | 第98页 |
| ·基于RreliefF的Naive变量选择方法 | 第98-100页 |
| ·RreliefF方法的基本原理 | 第98-99页 |
| ·基于RreliefF的Naive变量选择方法 | 第99-100页 |
| ·方法的实现步骤 | 第100页 |
| ·仿真实验2 | 第100-102页 |
| ·非线性动态系统 | 第100-101页 |
| ·标杆数据 | 第101-102页 |
| ·基于稀疏前向正交模型和随机置换的灵敏度分析方法 | 第102-108页 |
| ·基于稀疏前向正交模型的灵敏度分析方法 | 第102-105页 |
| ·基于随机置换的简化方法 | 第105-107页 |
| ·方法的实现步骤 | 第107-108页 |
| ·仿真实验3 | 第108-115页 |
| ·Fried数据 | 第108-111页 |
| ·Boston数据 | 第111-115页 |
| ·基于EOF-SVD的相关性及预测研究 | 第115-119页 |
| ·基本的奇异值分解方法 | 第115-117页 |
| ·改进的EOF-SVD方法 | 第117-118页 |
| ·预测模型建立 | 第118-119页 |
| ·仿真实例4 | 第119-122页 |
| ·结论 | 第122-124页 |
| 4 基于Huber损失函数和拉普拉斯分布的鲁棒回声状态网络 | 第124-148页 |
| ·引言 | 第124-125页 |
| ·回声状态网络的鲁棒岭回归方法 | 第125-130页 |
| ·回声状态网络的结构 | 第125-126页 |
| ·回声状态网络的鲁棒岭回归方法 | 第126-128页 |
| ·基于贝叶斯方法的参数求解 | 第128-130页 |
| ·仿真实验1 | 第130-137页 |
| ·恒值异常点和高斯异常点 | 第130-132页 |
| ·高斯混合噪声 | 第132-137页 |
| ·基于拉普拉斯先验的鲁棒回声状态网络 | 第137-141页 |
| ·模型结构设计 | 第137-138页 |
| ·基于替代函数的模型转化 | 第138-139页 |
| ·参数求解 | 第139-140页 |
| ·方法的实现步骤 | 第140-141页 |
| ·仿真实验2 | 第141-147页 |
| ·Lorenz方程的x(t)混沌时间序列 | 第141-144页 |
| ·黄河年径流时间序列预测 | 第144-147页 |
| ·结论 | 第147-148页 |
| 5 结论和展望 | 第148-151页 |
| ·结论 | 第148-150页 |
| ·分析和提出了预测模型的结构优化方法 | 第148页 |
| ·提出了适合于多变量预测模型的输入变量方法 | 第148-149页 |
| ·提出了预测模型的性能优化方法 | 第149-150页 |
| ·展望 | 第150-151页 |
| ·多元时间序列间相互关系探索 | 第150页 |
| ·多元时间序列模型结构设计 | 第150-151页 |
| 参考文献 | 第151-162页 |
| 攻读博士学位期间发表学术论文情况 | 第162-163页 |
| 攻读博士学位期间参加的基金项目 | 第163-164页 |
| 致谢 | 第164-165页 |
| 作者简介 | 第165-166页 |
