| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第1章 绪论 | 第12-19页 |
| 1.1 研究背景和意义 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-15页 |
| 1.3 研究内容及工作 | 第15-16页 |
| 1.4 本文结构框架 | 第16-19页 |
| 第2章 优化不完备数据集算法基础理论 | 第19-32页 |
| 2.1 极限学习机（ELM） | 第19-26页 |
| 2.1.1 单隐层前馈神经网络（SLFNs） | 第19-23页 |
| 2.1.2 极限学习机网络结构及原理 | 第23-24页 |
| 2.1.3 极限学习机算法基本流程 | 第24-25页 |
| 2.1.4 极限学习机算法性能分析 | 第25-26页 |
| 2.2 模糊C均值聚类算法 | 第26-30页 |
| 2.2.1 FCM算法思想 | 第26-28页 |
| 2.2.2 FCM算法的基本流程 | 第28-29页 |
| 2.2.3 FCM算法性能分析 | 第29-30页 |
| 2.3 数据集预处理 | 第30-31页 |
| 2.4 本章小结 | 第31-32页 |
| 第3章 信息反馈极限学习机优化估值算法（FELM）研究 | 第32-43页 |
| 3.1 问题分析 | 第32-33页 |
| 3.2 信息反馈极限学习机 | 第33-36页 |
| 3.2.1 卡尔曼滤波思想 | 第33页 |
| 3.2.2 信息反馈极限学习机 | 第33-36页 |
| 3.3 训练样本选取 | 第36-37页 |
| 3.3.1 互信息 | 第36-37页 |
| 3.3.2 训练样本的选择 | 第37页 |
| 3.4 缺失属性的预测估值 | 第37-40页 |
| 3.5 极限学习机优化不完备数据模糊聚类（FELM-FCM）算法 | 第40-41页 |
| 3.6 本章小结 | 第41-43页 |
| 第4章 FELM区间探索模糊C均值算法研究 | 第43-51页 |
| 4.1 区间型数据集 | 第43-44页 |
| 4.1.1 数据集区间化规则 | 第43-44页 |
| 4.2 区间型不完备数据集 | 第44-48页 |
| 4.2.1 确定缺失属性估值区间 | 第44-45页 |
| 4.2.2 不完备数据集区间型转换 | 第45页 |
| 4.2.3 区间探索模糊C均值聚类(IFCM)算法 | 第45-48页 |
| 4.3 FELM区间探索模糊C均值聚类（FELM-IFCM）算法 | 第48-50页 |
| 4.3.1 FELM-IFCM算法基本思想 | 第48-49页 |
| 4.3.2 FELM-IFCM算法基本流程 | 第49-50页 |
| 4.4 本章小结 | 第50-51页 |
| 第5章 实验结果及分析 | 第51-62页 |
| 5.1 实验准备 | 第51-55页 |
| 5.1.1 数据集信息 | 第51-53页 |
| 5.1.2 缺失值生成规则 | 第53-54页 |
| 5.1.3 算法参数的设定 | 第54-55页 |
| 5.1.4 算法的评价指标 | 第55页 |
| 5.2 实验结果及分析 | 第55-61页 |
| 5.2.1 FELM-FCM的实验结果及分析 | 第55-58页 |
| 5.2.2 FELM-IFCM的实验结果及分析 | 第58-61页 |
| 5.3 本章小结 | 第61-62页 |
| 第6章 总结与展望 | 第62-64页 |
| 6.1 总结 | 第62-63页 |
| 6.2 展望 | 第63-64页 |
| 致谢 | 第64-66页 |
| 参考文献 | 第66-70页 |
| 攻读学位期间公开发表的论文 | 第70-71页 |
