声明
致谢
摘要
第一章 绪论
1.1 研究背景与意义
1.1.1 研究的背景
1.1.2 研究的意义
1.2 研究现状与问题分析
1.3 研究内容与结构安排
1.3.1 主要研究内容
1.3.2 论文结构安排
第二章 复杂数据趋势提取与特征分析理论概述
2.1 数据预测与分类的基础
2.1.1 数据预处理技术
2.1.2 数据分布特征的辨识方法
2.2 基于复杂数据波动性分析的趋势提取与降维度处理方法
2.2.1 基于成分模型分解的连续型数据趋势提取方法
2.2.2 基于频域分析的连续型数据趋势提取方法
2.3 基于模式识别的复杂数据特征分析方法
2.3.1 数据采样技术
2.3.2 随机模拟方法
2.3.3 维归约方法
2.3.4 数据特征选择方法
2.4 本章小结
第三章 基于相似性测度的半参数回归概率密度预测
3.1 引言
3.2 问题描述
3.3 Bootstrap区间估计理论
3.3.1 Bootstrap参数估计
3.3.2 Bootstrap区间估计
3.4 基于非参数修匀的半参数回归方法
3.4.1 线性半参数回归模型
3.4.2 基于时间序列平滑的半参数回归模型
3.4.3 模型的估计方法
3.5 基于Bootstrap估计的概率密度预测方法
3.6 基于相似性测度的变量选择与识别策略
3.6.1 相似性测度的概念
3.6.2 变量选择与识别策略
3.7 数值实验
3.7.1 数据的描述
3.7.2 变量选择与因子提取
3.7.3 实验结果与分析
3.8 本章小结
第四章 基于数据降维的分段可加半参数回归概率密度预测
4.1 引言
4.2 基于分段可加的半参数预测方法
4.2.1 半参数回归模型的拓展
4.2.2 基于分段光滑的半参数可加回归模型
4.2.3 模型的估计方法
4.3 基于Bootstrap估计的概率预测方法
4.4 基于Bootstrap采样的数据模拟
4.5 数值实验
4.5.1 数据的描述
4.5.2 变量选择与因子提取
4.5.3 气象和经济数据模拟
4.5.4 实验结果与分析
4.6 本章小结
第五章 基于频域特征提取的半参数回归概率密度预测
5.1 引言
5.2 基于非参数修匀的半参数回归模型
5.2.1 半参数回归模型的拓展
5.2.2 模型的估计方法
5.3 基于EEMD的复杂数据趋势提取方法
5.3.1 EEMD的基本原理
5.3.2 复杂数据波动趋势提取与辨识方法
5.4 基于趋势提取的半参数概率密度预测方法
5.5 数值实验
5.5.1 数据的描述
5.5.2 特征分量提取、识别与重构
5.5.3 变量选择与因子提取
5.5.4 实验结果与分析
5.6 本章小结
第六章 基于特征选择与支持向量机的高维数据分类方法
6.1 引言
6.2 问题描述
6.3 基于SVM-RFE-MRMR的高维数据分类方法
6.3.1 SVM的基本原理
6.3.2 基于SVM-RFE的数据分类
6.3.3 基于最大相关最小冗余的多元SW-RFE分类
6.3.4 分类准确性评价
6.3.5 数值实验
6.4 基于SVM-RFE-MRMR的电力市场价格预测
6.4.1 基于数据分类的电力市场价格预测原理
6.4.2 基于PCA-DP时间序列分割的数据波动模式划分
6.4.3 基于序列分割的SVM-RFE-MRMR的复杂数据预测框架
6.4.4 数值实验
6.5 本章小结
第七章 总结与展望
7.1 总结
7.2 展望
参考文献
攻读博士学位期间的学术活动及成果情况