第一章 绪论 | 第1-11页 |
第二章 时间序列预测 | 第11-19页 |
2.1 时间序列的基本概念 | 第11页 |
2.2 时间序列模型 | 第11-15页 |
2.2.1 确定型时间序列模型 | 第12-14页 |
2.2.2 随机型时间序列模型 | 第14-15页 |
2.3 基于神经网络的时间序列预测方法 | 第15-19页 |
2.3.1 神经网络预测时间序列 | 第16-17页 |
2.3.2 几个具体预测时间序列的网络 | 第17-19页 |
第三章 ICBP网络模型 | 第19-24页 |
3.1 ICBP网络模型及其学习算法 | 第20-22页 |
3.2 ICBP与RBF、BAYES判决器及VQ(矢量量化网络)的等价性 | 第22-24页 |
3.2.1 ICBP与RBF的等价性 | 第22页 |
3.2.2 ICBP与Bayes判决器的等价性 | 第22-23页 |
3.2.3 ICBP与矢量量化网络(VQ)的等价性 | 第23-24页 |
第四章 DLS-ICBP网络 | 第24-33页 |
4.1 打折最小平方ICBP网络(DLS-ICBP) | 第24-26页 |
4.2 模拟实验 | 第26-33页 |
4.2.1 非平稳方差时间序列预测实验 | 第26-28页 |
4.2.2 混沌时间序列预测实验 | 第28-29页 |
4.2.3 某城市自来水月用水量时间序列的预测实验 | 第29-33页 |
第五章 DLS-RBF网络 | 第33-40页 |
5.1 RBF网络及其学习算法 | 第33-35页 |
5.1.1 RBF网络的结构 | 第33-34页 |
5.1.2 RBF网络的学习算法 | 第34-35页 |
5.2 打折最小平方RBF(DLS-RBF)网络及其学习算法 | 第35-36页 |
5.3 模拟实验 | 第36-40页 |
5.3.1 混沌时间序列预测实验 | 第36页 |
5.3.2 非平稳方差时间序列预测实验 | 第36-37页 |
5.3.3 某城市自来水月用水量时间序列的预测实验 | 第37-40页 |
第六章 链状DLS-ICBP网络 | 第40-46页 |
6.1 链结构神经网络 | 第40-42页 |
6.1.1 传统的链结构神经网络 | 第40-41页 |
6.1.2 新型的链结构神经网络 | 第41-42页 |
6.2 模拟实验 | 第42-46页 |
6.2.1 多步非平稳方差时间序列预测实验 | 第42页 |
6.2.2 在多步城市用水量预测中的应用 | 第42-46页 |
第七章 LOG-ICBP | 第46-51页 |
7.1 影响函数 | 第46-48页 |
7.1.1 最小均方定义 | 第47页 |
7.1.2 最小平均对数平方定义 | 第47页 |
7.1.3 LMS和LMLS的比较 | 第47-48页 |
7.2 LOG-ICBP | 第48-49页 |
7.3 实验 | 第49-51页 |
7.3.1 实验方法 | 第49页 |
7.3.2 实验结果 | 第49-51页 |
第八章 结论与展望 | 第51-53页 |
8.1 结论 | 第51页 |
8.2 展望 | 第51-53页 |
致谢 | 第53-54页 |
在学期间投发的论文 | 第54页 |
在学期间参与的科研项目 | 第54-55页 |
主要参考文献 | 第55-56页 |