b站大全永不收费2023入口在哪 ,高清国产免费资源在线视频

內(nèi)容簡介

　　計算智能是受到大自然智慧和人類智慧的啟發(fā)而設(shè)計出的一類算法的統(tǒng)稱。隨著技術(shù)的進步，在科學(xué)研究和工程實踐中遇到的問題變得越來越復(fù)雜，采用傳統(tǒng)的計算方法來解決這些問題面臨著計算復(fù)雜度高、計算時間長等問題。為此，數(shù)學(xué)家和計算機學(xué)家相繼提出一系列具有啟發(fā)式特征的計算智能算法，如前向神經(jīng)網(wǎng)絡(luò)、支持向量機、多輸出支持向量機、粒子群優(yōu)化算法、螢火蟲算法、經(jīng)驗?zāi)B(tài)分解等。這些算法或模仿生物界的進化過程，或模仿生物的生理構(gòu)造和身體機能，或模仿動物的群體行為，或模仿人類的思維過程的特性等。寄希望通過模擬大自然和人類的智慧實現(xiàn)對問題的優(yōu)化求解。目前，計算智能技術(shù)已廣泛地應(yīng)用于時間序列建模與預(yù)測研究中，并取得令人矚目的成績?！痘谟嬎阒悄艿臅r間序列預(yù)測技術(shù)及其在金融市場的應(yīng)用》聚焦于金融市場中的時間序列多步預(yù)測和區(qū)間型預(yù)測問題，研究基于計算智能的時間序列預(yù)測技術(shù)。

作者簡介

暫缺《基于計算智能的時間序列預(yù)測技術(shù)及其在金融市場的應(yīng)用》作者簡介

圖書目錄

摘要
1 緒論
1．1 本文的研究背景、目的與意義
1．2 研究現(xiàn)狀
1．2．1 EMD研究概況
1．2．2 時間序列多步預(yù)測研究概況
1．2．3 區(qū)間型時間序列預(yù)測研究概況
1．3 本文結(jié)構(gòu)和主要內(nèi)容
2 EEMD—SVM時間序列預(yù)測方法
2．1 研究背景和研究動機
2．2 EEMD-SVM混合模型的構(gòu)建過程
2．2．1 集合經(jīng)驗?zāi)B(tài)分解
2．2．2 支持向量機
2．2．3 EEMD-SVMs模型的構(gòu)建過程
2．3 數(shù)據(jù)集來源及準(zhǔn)確度檢測方法
2．4 實驗結(jié)果討論
2．5 本章小結(jié)
3 基于EMD的混合建模框架中端點效應(yīng)研究
3．1 引言
3．2 抑制端點效應(yīng)的方法
3．2．1 鏡像法
3．2．2 Coughlin法
3．2．3 斜率法
3．2．4 Rato法
3．3 端點效應(yīng)對EMD-SVM預(yù)測模型的影響
3．3．1 研究背景和研究動機
3．3．2 EMD—SVMs混合模型的構(gòu)建過程
3．3．3 實驗設(shè)計
3．3．4 實驗結(jié)果討論
3．3．5 本節(jié)小結(jié)
3．4 一種考慮端點效應(yīng)的混合建模預(yù)測方法
3．4．1 研究背景及研究動機
3．4．2 EEMD-SBM—SVM混合模型的構(gòu)建過程
3．4．3 數(shù)據(jù)集來源及準(zhǔn)確度檢測方法
3．4．4 實驗結(jié)果討論
3．4．5 本節(jié)小結(jié)
3．5 本章小結(jié)
4 時間序列多步預(yù)測及預(yù)測策略
4．1 引言
4．2 多步預(yù)測策略
4．2．1 迭代策略
4．2．2 直接策略
4．2．3 MIM0策略
4．2．4 MISMO策略
4．3 基于粒子群優(yōu)化算法和多輸入多輸出的策略研究
4．3．1 研究背景及研究動機
4．3．2 前向神經(jīng)網(wǎng)絡(luò)
4．3．3 離散型粒子群優(yōu)化算法
4．3．4 基于PSO和MISMO多步預(yù)測策略的構(gòu)建過程
4．3．5 實驗設(shè)計
4．3．6 實驗結(jié)果討論
4．3．7 本節(jié)小結(jié)
4．4 一種考慮端點效應(yīng)的多步預(yù)測方法
4．4．1 研究背景及研究動機
4．4．2 文獻綜述
4．4．3 EMD-SBM-FNN多步預(yù)測模型的構(gòu)建過程
4．4．4 實驗設(shè)計
4．4．5 實驗結(jié)果討論
4．4．6 本節(jié)小結(jié)
4．5 基于多輸出支持向量機的多步預(yù)測方法
4．5．1 研究背景及研究動機
4．5．2 多輸出支持向量機
4．5．3 實驗設(shè)計
4．5．4 實驗結(jié)果討論
4．5．5 本節(jié)小結(jié)
4．6 本章小結(jié)
5 區(qū)間型時間序列預(yù)測
5．1 引言
5．2 基于多輸出支持向量回歸和螢火蟲算法的區(qū)間型時間序列預(yù)測方法
5．2．1 研究背景及研究動機
5．2．2 多輸出支持向量回歸及區(qū)間型股票價格指數(shù)序列
5．2．3 FA—MSVR區(qū)間型預(yù)測模型
5．2．4 實驗設(shè)計
5．2．5 實驗結(jié)果討論
5．2．6 本節(jié)小結(jié)
5．3 基于雙變量EMD和支持向量機的區(qū)間型時間序列預(yù)測方法
5．3．1 研究背景及研究動機
5．3．2 雙變量EMD技術(shù)及區(qū)間型電力需求序列
5．3．3 BEMD-SVM區(qū)間型預(yù)測模型
5．3．4 實驗設(shè)計
5．3．5 實驗結(jié)果討論
5．3．6 本節(jié)小結(jié)
5．4 基于復(fù)值徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)與粒子群優(yōu)化算法的區(qū)間型時間序列預(yù)測方法
5．4．1 研究背景及研究動機
5．4．2 復(fù)值徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)及區(qū)間型股票價格指數(shù)序列
5．4．3 DPSO／PSO-FCRBFNN的基本原理
5．4．4 實驗結(jié)果討論
5．4．5 本節(jié)小節(jié)
5．5 基于誤差修正模型和多輸出支持向量機的區(qū)間型時間序列預(yù)測方法
5．5．1 研究背景及研究動機
5．5．2 區(qū)間型混合預(yù)測模型及區(qū)間型農(nóng)產(chǎn)品期貨價格序列
5．5．3 實驗設(shè)計
5．5．4 實驗結(jié)果討論
5．5．5 本節(jié)小節(jié)
5．6 本章小結(jié)
6 全文總結(jié)
參考文獻