声明
摘要
第一章 绪论
1.1 研究背景和意义
1.2 国内外研究现状
1.3 主要研究内容及论文框架
第二章 支持向量机理论基础
2.1 统计学习理论的基本原理
2.1.1 机器学习原理
2.1.2 VC维
2.1.3 推广性的界
2.1.4 结构风险最小化原则
2.2 支持向量机的基本概念
2.2.1 支持向量机基本思想
2.2.2 支持向量机的优点
2.2.3 最优分类超平面
2.2.4 线性支持向量回归机
2.2.5 非线性支持向量回归机
2.3 核函数
2.3.1 核函数的原理
2.3.2 核函数的特点
2.3.3 常用核函数
2.3.4 混和核函数
2.4 LibSVM简介
2.5 本章小结
第三章 基于改进遗传算法的支持向量机参数优化模型
3.1 改进GA-SVM参数优化模型的建立
3.1.1 遗传算法概念构成要素
3.1.2 遗传算法流程及步骤
3.1.3 改进GA-SVM参数优化模型简介
3.2 改进GA-SVM参数优化模型仿真实验
3.2.1 实验环境
3.2.2 样本数据的选取及处理
3.2.3 预测模型核函数选取
3.2.4 参数设置
3.2.5 实验步骤
3.3 GA-SVM参数优化模型对比实验
3.3.1 GA-SVM模型简介
3.3.2 参数设置
3.3.3 实验步骤
3.4 GS-SVM参数优化模型对比实验
3.4.1 参数设置
3.4.2 实验步骤
3.5 综合模型对比实验结果分析
3.5.1 误差的相关理论
3.5.2 实验结果分析
3.6 本章小结
第四章 基于混合粒子群算法的支持向量机参数优化模型
4.1 混合PSO-SVM参数优化模型的建立
4.1.1 粒子群算法的概念和原理
4.1.2 粒子群算法改进现状
4.1.3 粒子群算法改进依据及相关理论介绍
4.1.4 混合PSO-SVM参数优化模型简介
4.2 混合PSO-SVM参数优化模型仿真实验
4.2.1 参数设置
4.2.2 实验步骤
4.3 标准PSO-SVM参数优化模型对比实验
4.3.1 参数设置
4.3.2 实验步骤
4.4 综合模型对比实验结果分析
4.5 本章小结
第五章 股票价格短期预测综合模型的实现及结果分析
5.1 预测模型总体设计流程及步骤
5.2 改进的GA-SVM回归预测模型及对比实证分析
5.2.1 改进的(C,σ,ε)GA-SVM回归预测模型
5.2.2 标准GA-SVM回归预测模型
5.2.3 GS-SVM回归预测模型
5.3 混合PSO-SVM回归预测模型及对比实证分析
5.3.1 混合PSO-SVM回归预测模型
5.3.2 标准PSO-SVM回归预测模型
5.4 预测模型综合预测结果对比分析
5.5 本章小结
第六章 总结与展望
6.1 全文总结
6.2 不足与展望
致谢
参考文献
附录
在学期间发表的论著及参与的科研项目成果