| 中文摘要 | 第3-5页 |
| Abstract | 第5-6页 |
| 第一章 引言 | 第9-14页 |
| 1.1 选题背景与意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-12页 |
| 1.3 本文的主要工作与内容安排 | 第12-14页 |
| 第二章 极限学习机理论概述 | 第14-24页 |
| 2.1 人工神经网络 | 第14-19页 |
| 2.1.1 前馈神经网络 | 第15-18页 |
| 2.1.2 递归神经网络 | 第18-19页 |
| 2.2 极限学习机理论 | 第19-22页 |
| 2.3 核极限学习机 | 第22-23页 |
| 2.4 本章小结 | 第23-24页 |
| 第三章 基于受限玻尔兹曼机的极限学习机 | 第24-32页 |
| 3.1 受限玻尔兹曼机 | 第24-26页 |
| 3.2 RBM-H-ELM | 第26页 |
| 3.3 FRBM-H-ELM | 第26-27页 |
| 3.4 仿真实验 | 第27-30页 |
| 3.4.1 回归问题的仿真实验 | 第27-29页 |
| 3.4.2 分类问题的仿真实验 | 第29-30页 |
| 3.5 本章小结 | 第30-32页 |
| 第四章 基于Volterra滤波的极限学习机 | 第32-43页 |
| 4.1 基于Volterra滤波的非线性结构 | 第32-35页 |
| 4.1.1 Volterra滤波 | 第32-34页 |
| 4.1.2 主成分分析 | 第34-35页 |
| 4.2 基于Volterra滤波的极限学习机 | 第35页 |
| 4.3 基于Volterra滤波的核极限学习机 | 第35-38页 |
| 4.3.1 快速减小的核极限学习机 | 第36-37页 |
| 4.3.2 PVRKELM | 第37-38页 |
| 4.4 仿真实验 | 第38-42页 |
| 4.4.1 实验设计 | 第38-40页 |
| 4.4.2 实验结果 | 第40-42页 |
| 4.5 本章小结 | 第42-43页 |
| 第五章 极限学习机在信道盲均衡中的应用 | 第43-56页 |
| 5.1 信道均衡 | 第43-45页 |
| 5.2 盲均衡 | 第45-47页 |
| 5.2.1 基于预测原理的盲均衡算法 | 第45-47页 |
| 5.3 极限学习机在信道盲均衡中的应用 | 第47-55页 |
| 5.3.1 基于预测原理的极限学习机盲均衡实验设计 | 第48-49页 |
| 5.3.2 基于预测原理的极限学习机盲均衡实验结果 | 第49-55页 |
| 5.4 本章小结 | 第55-56页 |
| 第六章 总结与展望 | 第56-58页 |
| 参考文献 | 第58-63页 |
| 在学期间的研究成果 | 第63-64页 |
| 致谢 | 第64页 |