第一个书签之前
Abstract
符号表
第一章 绪论
1.1 研究背景及意义
1.2 混沌时间序列预测简介
1.3 本文主要研究内容
第二章 混沌时间序列分析
2.1 混沌简介
2.1.1 混沌
2.1.2 动力系统
2.1.3 相空间
2.1.4 典型混沌系统
2.1.5 混沌时间序列
2.2 相空间重构
2.2.1 相空间重构意义
2.2.2 相空间重构理论基础
2.2.3 延迟时间τ的选取方法
2.2.4 嵌入维数d的选取方法
2.3 机器学习简介
2.3.1 机器学习基本概念
2.3.2 机器学习三要素
2.3.3 模型评估与选择
2.3.4 Python机器学习生态系统
2.4 混沌时间序列预测理论基础
2.4.1 单步预测
2.4.2 多步预测
2.4.3 全局和局部预测法
2.5 混沌时间序列预测步骤
2.6 本章小结
第三章 混沌时间序列单步预测模型
3.1 基于k近邻法的单步预测模型
3.1.1 k近邻法
3.1.2 k近邻法混沌时间序列预测
3.1.3 k近邻法模型选择
3.2 基于支持向量回归的单步预测模型
3.2.1 支持向量回归
3.2.2 支持向量回归混沌时间序列预测
3.2.3 支持向量回归模型选择
3.3 基于神经网络的单步预测模型
3.3.1 人工神经网络
3.3.2 前馈网络
3.3.3 神经网络混沌时间序列预测
3.3.4 神经网络模型选择
3.4 基于多项式回归的单步预测模型
3.4.1 线性回归与多项式回归
3.4.2 多项式回归混沌时间序列预测
3.4.3 多项式回归模型选择
3.5 基于集成学习的单步预测模型
3.5.1 集成学习
3.5.2 结合策略
3.5.3 Bagging
3.5.4 Bagging模型选择
3.5.5 加权平均集成
3.5.6 Stacking模型混沌时间序列预测
3.5.7 Stacking模型选择
3.6 模型比较
3.7 混沌背景中微弱信号检测
3.7.1 微弱信号
3.7.2 混沌背景中微弱信号检测原理
3.7.3 微弱信号检测仿真
3.8 太阳黑子数预测
3.9 本章小结
第四章 混沌时间序列多步预测模型
4.1 递归多步预测模型
4.1.1 递归多步预测模型的仿真数据
4.1.2 k-NN递归多步预测
4.1.3 SVR递归多步预测
4.1.4 神经网络递归多步预测
4.2 直接多步预测
4.2.1 直接多步预测的仿真数据
4.2.2 神经网络直接多步预测
4.3 模型比较
4.3.1 在测试集上的性能比较
4.3.2 对训练序列之后时刻的预测性能比较
4.4 本章小结
第五章 总结与展望
5.1 论文总结
5.2 研究展望
致谢
参考文献