| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 目录 | 第8-10页 |
| 第一章 绪论 | 第10-15页 |
| 1.1 引言 | 第10页 |
| 1.2 研究背景 | 第10-12页 |
| 1.3 国内外研究现状及分析 | 第12-13页 |
| 1.4 本文研究的内容 | 第13-14页 |
| 1.5 论文的结构安排 | 第14-15页 |
| 第二章 基础理论 | 第15-27页 |
| 2.1 极限学习机的概念 | 第15-19页 |
| 2.1.1 极限学习机 | 第16-18页 |
| 2.1.2 智能算法与极限学习机的各种混合型算法 | 第18-19页 |
| 2.2 蝙蝠算法 | 第19-23页 |
| 2.2.1 蝙蝠算法的数学模型 | 第20-21页 |
| 2.2.2 蝙蝠算法的基本流程 | 第21-23页 |
| 2.3 蝙蝠算法的收敛性分析 | 第23-26页 |
| 2.3.1 局部最优值问题 | 第24页 |
| 2.3.2 蝙蝠算法的收敛性能分析 | 第24-26页 |
| 2.4 本章小结 | 第26-27页 |
| 第三章 基于频率的自适应混合型蝙蝠算法 | 第27-43页 |
| 3.1 简介 | 第27页 |
| 3.2 蝙蝠算法存在的问题 | 第27-28页 |
| 3.3 蝙蝠算法的改进方法 | 第28-32页 |
| 3.3.1 简化的蝙蝠算法 | 第28-30页 |
| 3.3.2 惯性权重的调整 | 第30-31页 |
| 3.3.3 自适应变化频率 | 第31-32页 |
| 3.3.4 算法参数设计 | 第32页 |
| 3.4 改进蝙蝠算法的算法思想与流程 | 第32-33页 |
| 3.5 改进性蝙蝠算法的收敛性证明 | 第33-35页 |
| 3.6 实验仿真与结果分析 | 第35-42页 |
| 3.6.1 函数测试 | 第35-41页 |
| 3.6.2 工程实例 | 第41-42页 |
| 3.7 本章总结 | 第42-43页 |
| 第四章 混合型蝙蝠与极限学习机算法的分类应用 | 第43-59页 |
| 4.1 极限学习机的分类方法 | 第43-46页 |
| 4.1.1 极限学习机与支持向量机的同异点 | 第43-44页 |
| 4.1.2 极限学习机分类原理 | 第44-46页 |
| 4.2 几种种类极限学习机的优缺点 | 第46-48页 |
| 4.2.1 固定型极限学习机的优缺点 | 第47页 |
| 4.2.2 增量型极限学习机的优缺点 | 第47-48页 |
| 4.3 基于改进蝙蝠算法的训练极限学习机 | 第48-51页 |
| 4.3.1 基于改进蝙蝠算法的极限学习机步骤 | 第48-50页 |
| 4.3.2 基于改进蝙蝠算法的极限学习机的收敛性证明 | 第50-51页 |
| 4.4 实验分析 | 第51-58页 |
| 4.4.1 函数逼近测试实验 | 第52-54页 |
| 4.4.2 分类测试实验 | 第54-56页 |
| 4.4.3 实验分析 | 第56-58页 |
| 4.5 本章小结 | 第58-59页 |
| 第五章 总结与展望 | 第59-61页 |
| 5.1 全文总结 | 第59页 |
| 5.2 主要贡献和创新之处 | 第59-60页 |
| 5.3 下一步的研究工作 | 第60-61页 |
| 参考文献 | 第61-66页 |
| 附录 | 第66-80页 |
| 附录1：FSABA算法MATLAB核心代码 | 第66-71页 |
| 附录2：FSABA ELM算法MATLAB核心代码 | 第71-80页 |
| 致谢 | 第80-81页 |
| 读硕士期间发表的学术论文 | 第81页 |