声明
摘要
第一章 绪论
§1.1 选题的背景
§1.2 研究内容、目的和意义
§1.2.1 本文研究内容
§1.2.2 研究目的和意义
§1.3 本文结构安排
第二章 前期数据分析方法
§2.1 MICE多重填补方法
§2.2 灰色关联分析的基本理论与计算
§2.2.1 基本理论
§2.2.2 灰色关联度计算
§2.3 Holt-Winters预测的基本理论及方法
§2.3.2 Holt-Winters预测模型的算法设计
第三章 BP神经网络的理论和实现步骤
§3.1 神经网络概述
§3.2 BP神经网络结构及学习原理
§3.3 BP算法实现步骤
§3.4 BP神经网络特点
第四章 支持向量机的理论和实现步骤
§4.1 支持向量机理论
§4.1.1 结构风险最小化原理
§4.1.2 支持向量机原理
§4.1.3 分类及其核函数
§4.2 SVM与神经网络的异同
第五章 应用遗传算法优化BP模型和支持向量机模型
§5.1 遗传算法的基本策略
§5.1.1 遗传算法的特征
§5.1.2 遗传算法的步骤
§5.2 遗传算法优化BP网络参数
§5.2.1 算法描述
§5.2.2 实现步骤
§5.3 遗传算法优化支持向量机模型
§5.3.2 GA-SVM算法的基本思路
第六章 基于BP神经网络和支持向量机的粗钢总消费模型
§6.1 粗钢总消费及其预测影响因素的选取
§6.2 数据的预处理
§6.3 利用灰色关联度对指标进行筛选
§6.4 利用Holt-Winters对各自变量指标的未来值进行预测
§6.5 粗钢总消费的BP神经网络预测模型
§6.5.1 粗钢总消费预测的智能BP仿真模型
§6.5.2 BP神经网络的缺陷及改进
§6.6 粗钢总消费的支持向量机预测模型
§6.6.2 粗钢总消费SVM模型预测
第七章 基于GA-BP神经网络和GA-SVM的预测模型
§7.1.2 实验及仿真结果
§7.2 GA-SVM预测模型建立
§7.2.1 GA-SVM模型设计
§7.2.2 实验及仿真结果
§7.3 本章小结
第八章 结论与展望
致谢
参考文献