本文系統(tǒng)地研究了小波神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和非線性函數(shù)逼近，給出了小波神經(jīng)網(wǎng)絡(luò)的全局逼近定理和收斂性定理以及證明過(guò)程；詳細(xì)地比較了小波神經(jīng)網(wǎng)絡(luò)與BP網(wǎng)絡(luò)、RBF網(wǎng)絡(luò)的性能。以小波分析為理論根據(jù)，以經(jīng)濟(jì)預(yù)測(cè)為應(yīng)用目標(biāo)，構(gòu)建不同形式的小波神經(jīng)網(wǎng)絡(luò)：①以連續(xù)小波變換為理論依據(jù)，采用連續(xù)小波函數(shù)作為神經(jīng)網(wǎng)絡(luò)的激勵(lì)函數(shù)構(gòu)建連續(xù)參數(shù)小波網(wǎng)絡(luò)，給出參數(shù)學(xué)習(xí)的共軛梯度算法和隨機(jī)梯度算法；②以多分辨分析和正交小波分解為理論依據(jù)，采用正交小波和正交尺度函數(shù)共同作為神經(jīng)網(wǎng)絡(luò)隱含層激勵(lì)函數(shù)，構(gòu)建正交小波網(wǎng)絡(luò)；利用多分辨分析逐層逼近的性質(zhì)，給出正交小波網(wǎng)絡(luò)遞階逼近學(xué)習(xí)算法；③以多分辨分析定義中的完全漸近性條件為理論依據(jù)，采用正交尺度函數(shù)作為神經(jīng)網(wǎng)絡(luò)的激勵(lì)函數(shù)構(gòu)建正交尺度小波網(wǎng)絡(luò)，給出正交尺度小波網(wǎng)絡(luò)參數(shù)學(xué)習(xí)的BP算法；④根據(jù)神經(jīng)網(wǎng)絡(luò)的模式識(shí)別性質(zhì)，提出分類(lèi)小波網(wǎng)絡(luò)和相應(yīng)學(xué)習(xí)算法。對(duì)所建的幾種小波網(wǎng)絡(luò)在經(jīng)濟(jì)預(yù)測(cè)中的應(yīng)用展開(kāi)研究。針對(duì)神經(jīng)網(wǎng)絡(luò)在經(jīng)濟(jì)預(yù)測(cè)領(lǐng)域中取得的廣泛應(yīng)用成果，研究分別用連續(xù)參數(shù)小波網(wǎng)絡(luò)、正交小波網(wǎng)絡(luò)、正交尺度小波網(wǎng)絡(luò)和分類(lèi)小波網(wǎng)絡(luò)建立經(jīng)濟(jì)預(yù)測(cè)模型的方法和步驟，并具體研究了以下經(jīng)濟(jì)問(wèn)題建模：①基于連續(xù)參數(shù)小... 

【文章來(lái)源】：天津大學(xué)天津市 211工程院校 985工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：134 頁(yè)

【學(xué)位級(jí)別】：博士

【文章目錄】：
第一章 綜述
    1.1 引言
    1.2 神經(jīng)網(wǎng)絡(luò)在預(yù)測(cè)中的應(yīng)用
        1.2.1 利用神經(jīng)網(wǎng)絡(luò)的時(shí)間序列預(yù)測(cè)方法
        1.2.2 利用神經(jīng)網(wǎng)絡(luò)的回歸預(yù)測(cè)方法
        1.2.3 利用神經(jīng)網(wǎng)絡(luò)的組合預(yù)測(cè)方法
        1.2.4 利用神經(jīng)網(wǎng)絡(luò)確定ARMA模型的結(jié)構(gòu)
        1.2.5 利用神經(jīng)網(wǎng)絡(luò)的經(jīng)濟(jì)預(yù)警研究
    1.3 小波分析理論及其應(yīng)用
        1.3.1 小波分析理論的發(fā)展和研究現(xiàn)狀
        1.3.2 小波分析理論應(yīng)用概述
    1.4 本文的安排及主要工作
第二章 經(jīng)濟(jì)預(yù)測(cè)的基本理論
    2.1 經(jīng)濟(jì)預(yù)測(cè)的基本概念
        2.1.1 經(jīng)濟(jì)預(yù)測(cè)的起源和發(fā)展
        2.1.2 經(jīng)濟(jì)預(yù)測(cè)的概念
    2.2 經(jīng)濟(jì)預(yù)測(cè)的基本原則
    2.3 常用的預(yù)測(cè)方法分類(lèi)
    2.4 經(jīng)濟(jì)預(yù)測(cè)的準(zhǔn)確度評(píng)價(jià)指標(biāo)
第三章 神經(jīng)網(wǎng)絡(luò)與小波分析理論
    3.1 神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu)及其特征
        3.1.1 神經(jīng)網(wǎng)絡(luò)的形式化描述
        3.1.2 網(wǎng)絡(luò)的信息處理能力
    3.2 一般前饋網(wǎng)絡(luò)及特點(diǎn)
        3.2.1 多層感知器
        3.2.2 BP網(wǎng)絡(luò)及局限性
        3.2.3 RBF網(wǎng)絡(luò)及存在的問(wèn)題
        3.2.4 前向網(wǎng)絡(luò)的映射作用
        3.2.5 前饋神經(jīng)網(wǎng)絡(luò)的激活函數(shù)
    3.3 小波分析基礎(chǔ)
        3.3.1 從Fourier分析到小波分析
        3.3.2 小波與連續(xù)小波變換
        3.3.3 Hilbert空間的基與框架
        3.3.4 離散小波變換與小波框架
    3.4 多分辨分析與Mallat小波算法
        3.4.1 多分辨分析
        3.4.2 Mallat算法
第四章 小波網(wǎng)絡(luò)及其逼近問(wèn)題
    4.1 小波網(wǎng)絡(luò)
        4.1.1 小波網(wǎng)絡(luò)的結(jié)構(gòu)形式
        4.1.2 小波網(wǎng)絡(luò)的學(xué)習(xí)算法
    4.2 小波網(wǎng)絡(luò)的最佳逼近與全局逼近
        4.2.1 小波網(wǎng)絡(luò)的最佳逼近
        4.2.2 小波網(wǎng)絡(luò)的全局逼近與L2逼近
    4.3 小波網(wǎng)絡(luò)與常規(guī)神經(jīng)網(wǎng)絡(luò)的比較
第五章 連續(xù)參數(shù)小波網(wǎng)絡(luò)及其在 非線性經(jīng)濟(jì)時(shí)間序列預(yù)測(cè)中的應(yīng)用
    5.1 連續(xù)參數(shù)小波網(wǎng)絡(luò)
        5.1.1 單輸入連續(xù)參數(shù)小波網(wǎng)絡(luò)
        5.1.2 多輸入連續(xù)參數(shù)小波網(wǎng)絡(luò)
    5.2 連續(xù)參數(shù)小波網(wǎng)絡(luò)在非線性經(jīng)濟(jì)時(shí)間序列預(yù)測(cè)中的應(yīng)用
        5.2.1 傳統(tǒng)的經(jīng)濟(jì)時(shí)間序列預(yù)測(cè)方法
        5.2.2 經(jīng)濟(jì)時(shí)間序列連續(xù)參數(shù)小波網(wǎng)絡(luò)預(yù)測(cè)模型
    5.3 小結(jié)
第六章 正交小波網(wǎng)絡(luò)及其應(yīng)用
    6.1 多維小波的多分辨分析理論
    6.2 基于多分辨分析的正交小波網(wǎng)絡(luò)
        6.2.1 正交小波網(wǎng)絡(luò)結(jié)構(gòu)
        6.2.2 分層、遞階學(xué)習(xí)算法
        6.2.3 正交小波網(wǎng)絡(luò)權(quán)重的確定
    6.3 正交小波網(wǎng)絡(luò)的應(yīng)用
        6.3.1 中國(guó)人口的發(fā)展與現(xiàn)狀
        6.3.2 基于正交小波網(wǎng)絡(luò)的人口預(yù)測(cè)模型
    6.4 小結(jié)
第七章 正交尺度小波網(wǎng)絡(luò)及其在非線性經(jīng)濟(jì)預(yù)測(cè)中的應(yīng)用
    7.1 正交尺度小波網(wǎng)絡(luò)及學(xué)習(xí)算法
    7.2 正交尺度小波網(wǎng)絡(luò)在非線性經(jīng)濟(jì)系統(tǒng)預(yù)測(cè)中的應(yīng)用
        7.2.1 基于神經(jīng)網(wǎng)絡(luò)的非線性系統(tǒng)建模
        7.2.2 基于正交尺度小波網(wǎng)絡(luò)的宏觀經(jīng)濟(jì)預(yù)測(cè)建模
    7.3 小結(jié)
第八章 分類(lèi)小波網(wǎng)絡(luò)及在證券市場(chǎng)中的應(yīng)用
    8.1 分類(lèi)小波網(wǎng)絡(luò)結(jié)構(gòu)及學(xué)習(xí)算法
    8.2 基于分類(lèi)小波網(wǎng)絡(luò)的證券市場(chǎng)預(yù)測(cè)
        8.2.1 證券預(yù)測(cè)系統(tǒng)分析
        8.2.2 預(yù)測(cè)模型的選擇
        8.2.3 基于分類(lèi)小波網(wǎng)絡(luò)的證券市場(chǎng)預(yù)測(cè)
    8.3 小結(jié)
總結(jié)與展望
參考文獻(xiàn)
發(fā)表論文和參加科研情況
致 謝


【參考文獻(xiàn)】：
期刊論文
[1]基于神經(jīng)網(wǎng)絡(luò)的管理信息系統(tǒng)綜合評(píng)價(jià)方法[J]. 張新紅,鄭丕諤.  系統(tǒng)工程學(xué)報(bào). 2002(05)
[2]神經(jīng)網(wǎng)絡(luò)經(jīng)濟(jì)預(yù)測(cè)法研究[J]. 張曉紅.  預(yù)測(cè). 2001(06)
[3]基于小波包和神經(jīng)網(wǎng)絡(luò)的股票價(jià)格預(yù)測(cè)模型[J]. 常松,何建敏.  中國(guó)管理科學(xué). 2001(05)
[4]證券市場(chǎng)預(yù)測(cè)的小波神經(jīng)網(wǎng)絡(luò)模型[J]. 張新紅.  數(shù)量經(jīng)濟(jì)技術(shù)經(jīng)濟(jì)研究. 2001(10)
[5]一種基于小波網(wǎng)絡(luò)的自校正控制方法[J]. 王忠勇,張端金,方浩,蔡遠(yuǎn)利.  控制理論與應(yīng)用. 2001(02)
[6]采用正交小波網(wǎng)絡(luò)的非線性系統(tǒng)辨識(shí)方法[J]. 王海清,宋執(zhí)環(huán),李平.  控制理論與應(yīng)用. 2001(02)
[7]基于T-S模型的模糊神經(jīng)網(wǎng)絡(luò)在股市預(yù)測(cè)中的應(yīng)用[J]. 陳興,孟衛(wèi)東,嚴(yán)太華.  系統(tǒng)工程理論與實(shí)踐. 2001(02)
[8]R&D項(xiàng)目中止決策的小波網(wǎng)絡(luò)模式識(shí)別[J]. 董景榮.  預(yù)測(cè). 2001(01)
[9]小波網(wǎng)絡(luò)在控制系統(tǒng)中的應(yīng)用[J]. 呂朝霞,胡維禮.  信息與控制. 2000(06)
[10]差分RBF神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)算法及其應(yīng)用[J]. 解光軍,莊鎮(zhèn)泉.  信息與控制. 2000(05)



本文編號(hào)：3028030