• 
  计算机原理及军事应用
  ￥30.00
• 
  C程序设计题解与上机指导(第二版)
  ￥5.90
• 
  高技术与战略导弹
  ￥35.00
• 
  计算机图形学(第三版)
  ￥39.00

本书是作者撰写的MATLAB应用系列之一,此外还包括《模式识别与智能计算的MATLAB实现(第2版)》《*化方法及其MATLAB实现》。 本书按照理论基础、算法模型、实例三个内容对预测技术进行阐述,着重介绍算法程序和应用实例,简单介绍定性预测技术,详细介绍回归分析、时间序、神经网络、灰色系统等常用的定量预测技术。 本书可作为高等院校工业工程、管理科学与工程、经济金融专业的本科生或研究生的教材或教学参考书,也可供需进行预测活动的商业、生产经营、金融等从业人员、组织或管理人员、自然学科科研工作者及数学建模爱好者参考。

第1章 预测概述 1 1.1 预测的分类 1 1.2 预测的步骤 2 1.3 预测的精度 4 第2章 定性预测方法 6 2.1 市场调查预测法 6 2.1.1 经营管理人员意见调查预测法 6 2.1.2 销售人员意见调查预测法 7 2.1.3 商品展销、订货会调查预测法 7 2.1.4 试销调查预测法 8 2.2 集合意见预测法 8 2.3 专家会议预测法 8 2.3.1 交锋式会议法 8 2.3.2 非交锋式会议法 8 2.3.3 混合式会议法 9 2.3.4 头脑风暴法 9 2.3.5 德尔菲法 10 2.4 类推预测法 13 2.4.1 类推预测法的基本原理 13 2.4.2 类推预测法的应用 14 2.5 扩散指数法 14 第3章 回归分析预测法 16 3.1 回归分析预测法概述 16 3.1.1 回归模型的基本假定 17 3.1.2 相关关系与因果关系18 3.1.3 相关系数 19 3.1.4 异常点、高杠杆点、强影响观测值和缺失值21 3.2 一元线性回归分析预测法 22 3.2.1 一元线性回归模型 22 3.2.2 回归方程的检验 22 3.2.3 回归模型预测 25 3.3 多元线性回归分析预测法 26 3.3.1 多元线性回归模型 26 3.3.2 回归方程的检验 27 3.3.3 回归模型预测 28 3.3.4 带约束条件的回归模型 28 3.4 违背回归基本假定的回归模型 29 3.4.1 多重共线性 29 3.4.2 逐步回归法和岭回归估计法 33 3.4.3 自相关 35 3.4.4 异方差 41 3.4.5 随机自变量与模型设定误差 47 3.4.6 样本观察值分组平均数据的回归参数估计 48 3.4.7 模型的制定偏误 49 3.4.8 模型变量的观测误差 50 3.5 非线性回归分析预测法 50 3.5.1 常用的可转化为一元线性回归的模型 50 3.5.2 一元多项式回归 52 3.6 二项Logistic回归分析预测法 53 3.6.1 二项Logistic回归模型 53 3.6.2 混合Logistic模型 53 3.6.3 逻辑模型的估计方法 54 3.6.4 显著性检验 58 3.7 离散变量回归模型预测法 59 3.7.1 带虚拟变量的回归模型 59 3.7.2 泊松回归模型 64 3.7.3 负二项回归模型 65 3.8 偏*小二乘方法预测法 66 3.8.1 主成分回归模型 66 3.8.2 偏*小二乘回归模型 69 3.9 联立方程回归模型预测法 71 3.9.1 变量和方程分类 71 3.9.2 联立方程模型的类型 71 3.9.3 同时方程模型的识别 73 3.9.4 联立方程模型的估计方法 74 3.10 分布滞后模型和自回归模型预测法 77 3.10.1 短期效应和长期效应 78 3.10.2 分布滞后模型的直接估计法 78 3.10.3 自回归模型 81 3.10.4 自回归模型的估计 83 3.11 回归分析预测法的MATLAB实战 88 第4章 时间序列预测法 123 4.1 时间序列概述 123 4.1.1 时间序列的基本概念 123 4.1.2 时间序列的特点 125 4.1.3 时间序列特征的识别 126 4.1.4 非平稳数据的处理 128 4.2 指数平滑预测模型 129 4.2.1 移动平均预测法 129 4.2.2 指数平滑预测法 130 4.2.3 Holt指数平滑预测法 132 4.2.4 Holt-Winters指数平滑预测法 133 4.2.5 具有季节性特点的时间序列的预测 134 4.3 自回归过程模型AR(p) 135 4.3.1 自回归的平稳条件 135 4.3.2 自回归过程的自相关系数 136 4.3.3 自回归过程的识别、估计与检验 137 4.4 移动平均过程模型MA(q) 138 4.4.1 移动平均过程的可转换条件 138 4.4.2 移动平均过程的自相关系数 139 4.4.3 移动平均过程的识别、估计与检验 139 4.5 自回归移动平均模型ARMA(p,q) 140 4.5.1 自回归移动平均模型的概念 140 4.5.2 ARMA模型的识别、定阶与检验 140 4.6 ARIMA模型 142 4.7 条件异方差模型(ARCH) 142 4.8 均值生成函数法 143 4.8.1 均生函数 143 4.8.2 周期外延预测模型 144 4.8.3 动态数据的双向差分建模 148 4.8.4 0 1时间序列的分析与建模 152 4.9 时间序列预测的MATLAB实战 153 第5章 马尔可夫链预测法168 5.1 基础知识 168 5.1.1 基本概念 168 5.1.2 平稳分布和遍历性 169 5.2 状态空间的划分 170 5.2.1 经验分组法 170 5.2.2 样本均值、均方差分级法 170 5.2.3 有序样本聚类法 171 5.3 转移概率的计算和检验 172 5.3.1 马氏链转移概率的计算 172 5.3.2 马氏性的检验 173 5.3.3 齐次性的检验 173 5.4 马氏链预测法模型 173 5.4.1 基于**分布的马氏链预测法 173 5.4.2 叠加马氏链预测法 174 5.4.3 加权马氏链预测法 175 5.4.4 吸收态马氏链预测法 175 5.5 马氏链预测法的MATLAB实战 176 第6章 灰色预测 186 6.1 灰色系统的基础知识 186 6.1.1 灰 数 186 6.1.2 灰数白化与灰度 187 6.1.3 灰色序列生成算子 187 6.2 灰色分析 189 6.2.1 灰色关联分析 189 6.2.2 无量纲化关键算子 190 6.2.3 数据预处理 191 6.2.4 关联分析的主要步骤 191 6.3 灰色系统建模 192 6.3.1 GM(1,1)模型 192 6.3.2 GM(1,1)模型检验 193 6.3.3 GM(1,1)残差修正模型 194 6.3.4 GM(M,N)模型 195 6.3.5 GM(1,N)模型 196 6.3.6 GM(0,N)模型 197 6.3.7 灰色Verhulst模型 197 6.3.8 GM(1,1)幂模型 198 6.3.9 灰色灾变预测模型 198 6.4 模型的改进 199 6.4.1 基于残差修正的改进模型 199 6.4.2 基于初始条件和信息更新的改进模型 200 6.4.3 基于数据变换的改进模型 201 6.4.4 针对内部建模机制的改进模型 204 6.5 灰色预测法的MATLAB实战 206 第7章 人工神经网络预测法 211 7.1 人工神经网络的基础知识 211 7.1.1 人工神经元 211 7.1.2 传递函数 212 7.1.3 网络的拓扑结构 212 7.1.4 网络的结构设计 215 7.1.5 神经网络的学习规则 215 7.1.6 神经网络的分类和特点 216 7.2 BP人工神经网络 217 7.2.1 BP算法 217 7.2.2 BP算法的改进 218 7.3 径向基函数神经网络(RBF) 219 7.3.1 RBF的结构与学习算法 219 7.3.2 RBF神经网络与BP神经网络的比较 221 7.4 人工神经网络应用要点 221 7.5 人工神经网络方法的缺陷 223 7.6 人工神经网络预测法的MATLAB实战 223 第8章 基于分形理论的预测法 233 8.1 分形理论的基础知识 233 8.1.1 分形理论的提出 233 8.1.2 分形的定义 234 8.1.3 分形的特性 234 8.1.4 分形维数的定义 236 8.2 常维和变维分形预测 238 8.3 时间序列的Hurst指数与R/S分析法 239 8.3.1 Hurst指数及其分形预测 239 8.3.2 Takens相空间重构方法 240 8.4 基于分形理论预测法的MATLAB实战 243 第9章 基于小波分析的预测法 247 9.1 小波分析的数学基础 247 9.1.1 小波的定义 248 9.1.2 小波变换 250 9.1.3 小波函数的选择 251 9.2 多分辨分析 251 9.2.1 多分辨分析的基本原理 252 9.2.2 Mallat算法 252 9.3 小波包分析 253 9.3.1 小波包的定义 254 9.3.2 小波包分解与重构算法 254 9.4 时间序列的小波预测法 255 9.4.1 小波预测模型的基本思想 255 9.4.2 小波预测法的基本步骤 256 9.5 基于小波分析预测法的MATLAB实战 257 第10章 支持向量机预测法 264 10.1 支持向量机理论基础 264 10.1.1 VC维 264 10.1.2 期望风险 264 10.1.3 结构风险*小化 265 10.2 支持向量机 266 10.2.1 线性可分情况 266 10.2.2 线性不可分情况 267 10.3 支持向量机回归 269 10.3.1 损失函数 269 10.3.2 线性回归 270 10.3.3 非线性回归 270 10.3.4 *小二乘支持向量机回归 271 10.4 支持向量机预测模型 272 10.5 支持向量机预测法的MATLAB实战 275 第11章 模糊预测法 278 11.1 模糊系统理论基础 278 11.1.1 模糊集合 278 11.1.2 模糊关系 280 11.1.3 模糊集合的度量 282 11.1.4 模糊规则和推理 283 11.2 模糊预测模型 284 11.2.1 模糊聚类预测模型 284 11.2.2 模糊时序分析预测模型 286 11.2.3 模糊回归分析预测模型 288 11.2.4 模糊神经网络预测模型 290 11.3 模糊预测法的MATLAB实战 292 第12章 组合预测法 301 12.1 组合预测法技术 301 12.2 预测性能评价方法 302 12.2.1 精度指标 302 12.2.2 样本外检验和样本内检验 303 12.2.3 动态时间弯曲距离评价方法 303 12.2.4 二阶预测有效度评价方法 303 12.2.5 预测模型的准确率 304 12.3 模型组合法 305 12.3.1 灰色马尔可夫预测模型 305 12.3.2 灰色线性回归预测模型 306 12.3.3 ARIMA神经网络混合预测模型 306 12.4 结果组合法 307 12.4.1 非*优组合模型预测方法 308 12.4.2 *优组合模型预测方法 309 12.5 基于数据预处理的组合预测模型 315 12.6 基于模型参数和结构优化的组合预测模型 315 12.7 基于误差修正技术的组合预测模型 316 12.8 组合预测法的MATLAB实战 318 参考文献 330

许国根，现为火箭军工程大学化学教研室教授，曾多次获得军队科技进步奖一、二、三等奖多次，发表著作与论文数十篇，出版图书数十本。